CN112784732A - 地物类型变化的识别、模型训练方法、装置、设备及介质 - Google Patents
地物类型变化的识别、模型训练方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112784732A CN112784732A CN202110075692.6A CN202110075692A CN112784732A CN 112784732 A CN112784732 A CN 112784732A CN 202110075692 A CN202110075692 A CN 202110075692A CN 112784732 A CN112784732 A CN 112784732A
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- change
- type change
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000008859 change Effects 0.000 title claims abstract description 361
- 238000012549 training Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 77
- 230000004927 fusion Effects 0.000 claims description 38
- 238000013507 mapping Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 10
- 238000007499 fusion processing Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000011218 segmentation Effects 0.000 description 43
- 238000001514 detection method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开公开了一种地物类型变化的识别、模型训练方法、装置、设备及介质,涉及人工智能技术领域,具体涉及计算机视觉技术领域和深度学习技术领域。一种地物类型变化的识别方法,具体实现方案为:获取指定区域的第一图像和指定区域的第二图像;根据第一图像和第二图像,采用预先训练的地物类型变化识别模型,生成第二图像相对第一图像的地物变化图像,地物变化图像包括至少一个像素,至少一个像素中各像素对应一个地物类型变化参数;根据各像素所对应的地物类型变化参数,确定第二图像相对第一图像的地物变化区域,以及地物变化区域变化前后的地物类型。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及计算机视觉技术领域和深度学习技术领域,尤其涉及一种地物类型变化的识别、模型训练方法、装置、设备及介质。
背景技术
地物是指的是地面上各种有形物(如山川、森林、建筑物等)和无形物(如省、县界等)的总称,泛指地球表面上相对固定的物体。通常,可以将地物类型识别和地物变化检测当成两个独立的任务来完成。如果想知道地物变化区域中变化前后的地物类型,这要分别进行一次地物类型识别和地物变化检测,操作冗余,且耗费更长的时间。
发明内容
本公开提供了一种地物类型变化的识别、模型训练方法、装置、设备及介质。
根据本公开的一方面,提供了一种地物类型变化的识别方法,包括:
获取指定区域的第一图像和所述指定区域的第二图像;
根据所述第一图像和所述第二图像,采用预先训练的地物类型变化识别模型,生成所述第二图像相对所述第一图像的地物变化图像,所述地物变化图像包括至少一个像素,所述至少一个像素中各像素对应一个地物类型变化参数;
根据所述各像素所对应的地物类型变化参数,确定所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型。
根据本公开的另一方面,提供了一种地物类型变化识别模型的训练方法,包括:
获取训练数据集,所述训练数据集中各训练数据中包括训练区域的第一图像和所述第一图像中各像素所属地物的标注结果、以及所述训练区域的第二图像和所述第二图像中各像素所属地物的标注结果;
基于神经网络,构建地物类型变化识别模型;
利用所述训练数据集,训练所述地物类型变化识别模型,使得所述地物类型变化识别模型学习所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型的能力;其中,所述地物类型变化识别模型的训练目标包括:最小化所述地物类型变化识别模型的输出结果与各训练数据中的标注结果的差异。
根据本公开的另一方面,提供了一种地物类型变化的识别装置,包括:
获取单元,用于获取指定区域的第一图像和所述指定区域的第二图像;
预测单元,用于根据所述第一图像和所述第二图像,采用预先训练的地物类型变化识别模型,生成所述第二图像相对所述第一图像的地物变化图像,所述地物变化图像包括至少一个像素,所述至少一个像素中各像素对应一个地物类型变化参数;
确定单元,用于根据所述各像素所对应的地物类型变化参数,确定所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型。
根据本公开的另一方面,提供了一种地物类型变化识别模型的训练装置,包括:
获取单元,用于获取训练数据集,所述训练数据集中各训练数据中包括训练区域的第一图像和所述第一图像中各像素所属地物的标注结果、以及所述训练区域的第二图像和所述第二图像中各像素所属地物的标注结果;
构建单元,用于基于神经网络,构建地物类型变化识别模型;
训练单元,用于利用所述训练数据集,训练所述地物类型变化识别模型,使得所述地物类型变化识别模型学习所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型的能力;其中,所述地物类型变化识别模型的训练目标包括:最小化所述地物类型变化识别模型的输出结果与各训练数据中的标注结果的差异。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的方面和任一可能的实现方式的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如上所述的方面和任一可能的实现方式的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方面和任一可能的实现方式的方法。
由上述技术方案可知,本公开实施例通过在模型训练过程中,不断学习地物变化区域分割及其前后地物类型的识别,使得模型不仅仅能检测到两个图像中的地物变化区域,还能得到该地物变化区域变化前后的地物类型,操作简单,从而提高了地物识别的效率。
另外,采用本公开所提供的技术方案,在模型训练过程中,无需借助于学习地物分割,而是直接学习地物变化区域分割及其前后地物类型的识别,这一目标任务,使得学习任务与目标任务统一,从而使得模型具有更好的识别效果。
另外,采用本公开所提供的技术方案,能够有效地提高用户的体验。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第三实施例的示意图;
图4是根据本公开第四实施例的示意图;
图5是用来实现本公开实施例的地物类型变化的识别方法或者地物类型变化识别模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本公开保护的范围。
需要说明的是,本公开实施例中所涉及的终端设备可以包括但不限于手机、个人数字助理(Personal Digital Assistant,PDA)、无线手持设备、平板电脑(TabletComputer)等智能设备;显示设备可以包括但不限于个人电脑、电视等具有显示功能的设备。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
地物是指的是地面上各种有形物(如山川、森林、建筑物等)和无形物(如省、县界等)的总称,泛指地球表面上相对固定的物体。
遥感技术出现以来,首要的应用领域就是包括土地资源在内的地表资源与环境方面。通过传感器获取地物的波谱信息一直是主要的遥感方式之一,这些信息以数据的方式记录了地物的特性。土地性质通常是遥感观测的最直接和最主要的对象,在土地类型分类识别与变化监测方面的应用也最多。
通过对土地类型的跟踪勘探,可以了解和调查土地资源的分布,质量和规模,并研究和探讨资源开发和利用的合理布局,进而提出和制定规划,以及进行科学管理和保护的措施。
在传统遥感测绘领域,由于缺乏视觉技术的支持,在获取遥感图像后,一般是通过肉眼对遥感图像进行标注分析,结合测绘人员实地勘探的手段,完成土地类型的识别及变化检测,工作量巨大。
这种方式由于需要靠“肉眼”去解译,并且还要测绘人员去实地勘探,才能精准测绘,这无疑耗费大量人力物力及时间,且有较长时延,对于人为非法用地等破坏性较大行为无法及时监督制止。
目前视觉领域,一般将土地类型识别和土地类型变化检测当成两个独立的任务来完成,如果想知道土地类型变化区域中变化前后的土地类型,这要分别进行一次土地类型识别和变化检测的预测,操作冗余,且耗费更长的时间。
因此,本公开提出一种地物类型变化的识别方法和地物类型变化识别模型的训练方法,通过在模型训练过程中,不断学习地物变化区域分割及其前后地物类型的识别,使得模型不仅仅能检测到两个图像中的地物变化区域,还能得到该地物变化区域变化前后的地物类型,操作简单,从而提高了地物识别的效率。
本公开所提供的技术方案,可以适用于各种地物类型变化的识别。本公开旨在利用视觉技术,辅助测绘人员识别土地性质,并及时发现变化区域,减轻工作量。
图1是根据本公开第一实施例的示意图,如图1所示。
101、获取指定区域的第一图像和所述指定区域的第二图像。
102、根据所述第一图像和所述第二图像,采用预先训练的地物类型变化识别模型,生成所述第二图像相对所述第一图像的地物变化图像,所述地物变化图像包括至少一个像素,所述至少一个像素中各像素对应一个地物类型变化参数。
其中,可以采用各像素的像素值指示地物类型变化参数,或者还可以采用各像素的其他像素信息或者承载信息指示地物类型变化参数,本实施例对此不进行特别限定。
103、根据所述各像素所对应的地物类型变化参数,确定所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型。
需要说明的是,101~103的执行主体的部分或全部可以为位于本地终端的应用,或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(SoftwareDevelopment Kit,SDK)等功能单元,或者还可以为位于网络侧服务器中的处理引擎,或者还可以为位于网络侧的分布式系统,例如,网络侧的图像处理平台中的处理引擎或者分布式系统等,本实施例对此不进行特别限定。
可以理解的是,所述应用可以是安装在本地终端上的本地程序(nativeApp),或者还可以是本地终端上的浏览器的一个网页程序(webApp),本实施例对此不进行限定。
这样,通过在模型训练过程中,不断学习地物变化区域分割及其前后地物类型的识别,使得模型不仅仅能检测到两个图像中的地物变化区域,还能得到该地物变化区域变化前后的地物类型,操作简单,从而提高了地物识别的效率。
本公开中所涉及的所述指定区域中“指定”二字,并没有任何特殊含义,就是普通的地理区域,之所以用“指定”二字对其加以限定,就是为了说明该区域为当前的操作对象。
本公开中所涉及的图像均为遥感图像,能够直接或间接地反应地表覆盖和土地利用信息,是用来获取地球表面变化信息的重要手段。其中,第一图像和第二图像,分别是指在同一地理位置的不同时期的遥感影像,两期图像的坐标完全对应。
本公开中,第一图像是指地物发生变化前T1时刻的遥感影像,第二图像是指地物发生变化后T2时刻的遥感影像,T1≠T2。
本公开中,可以将所获取的指定区域的第一图像和所述指定区域的第二图像输入至地物类型变化识别模型中,得到输出所述第二图像相对所述第一图像的地物变化图像。该地物类型变化识别模型可以采用下一实施例所提供的训练方法进行训练获得。
在模型训练过程中,通过神经网络对两个图像进行了语义特征融合,获得多个层次上的图像的语义表征,来学习地物变化区域分割及其前后地物类型的识别,能够更加全面、深层次地表达图像,从而同时实现了对两个图像中的地物变化区域的检测及其变化前后的地物类型的识别,能够有效提高地物识别的可靠性。
可选地,在本实施例的一个可能的实现方式中,在102中,具体可以基于所述第一图像,采用所述地物类型变化识别模型中的特征提取网络,提取第一图像特征,以及基于第二图像,采用所述地物类型变化识别模型中的特征提取网络,提取第二图像特征。进而,则可以基于所述第一图像特征和所述第二图像特征,采用所述地物类型变化识别模型中的特征融合网络,进行特征融合处理,以获得融合特征。然后,可以基于所述融合特征,采用所述地物类型变化识别模型中的特征映射网络,进行映射处理,以获得所述第二图像相对所述第一图像的地物变化图像。
在该实现方式中,所述地物类型变化识别模型中的特征提取网络的作用是提取图像中从低层到高层的地物特征,从而能够全面识别地物。深度学习的目的就是学习这些深度特征,例如,可以采用卷积神经网络(Convolutional Neural Networks,CNN)实现。
在该实现方式中,所述地物类型变化识别模型中的特征融合网络的作用是融合两个图像的地物特征,来识别地物变化区域及其变化前后的地物类型,从而能够精准识别地物变化区域及其变化前后的地物类型。深度学习的目的就是学习这些地物变化区域及其变化前后的地物类型,例如,可以采用三个卷积层实现。
在该实现方式中,所述地物类型变化识别模型中的特征映射网络的作用是将地物变化区域及其变化前后的地物类型映射为图像像素所对应的唯一数值,通过将地物变化区域及其变化前后的地物类型数值化,使得特征的表达形式得以简化。例如,可以采用Softmax层实现。
本公开中,所述地物类型变化识别模型最终可以输出地物变化图像中像素所对应的n*n维地物类型变化参数,其中,n为第一图像中的地物类型。
假设所获取的图像中地物类型最多包括6个类型,即0、1、2、3、4、5和6。那么,所述地物类型变化识别模型最终输出的地物变化图像中像素所对应的地物类型变化参数则最大可以表示36类变化,即0~35类变化,其中,包含有6类没有变化的情况。
例如,假设由第一图像中某个像素的地物类型由第4类变化为第二图像中的第5类,那么,则所述地物类型变化识别模型所输出的地物变化图像的该像素所对应的地物类型变化参数的取值则可以为4*6+5=29类变化类的取值。
相应地,在本实施例的一个可能的实现方式中,在103中,具体可以根据所述各像素所对应的地物类型变化参数,利用预先设置的地物类型变化参数与地物发生变化前后的地物类型之间的对应关系,获得所述各像素所对应的地物类型变化参数所对应的地物发生变化前后的地物类型。进而,则可以根据所述各像素所对应的地物类型变化参数所对应的地物发生变化前后的地物类型,确定所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型。
例如,假设所获得的地物变化图像的某个像素所对应的地物类型变化参数为29类对应的取值,那么,则可以根据该取值,利用预先设置的地物类型变化参数与地物发生变化前后的地物类型之间的对应关系,获得该取值所对应的地物发生变化前后的地物类型为由第一图像中某个像素的地物类型由第4类变化为第二图像中的第5类。
可选地,在本实施例的一个可能的实现方式中,在103中,具体可以根据所述各像素所对应的地物类型变化参数,确定所述第一图像中与所述各像素对应位置所属地物在所述第二图像中与所述各像素对应位置是否发生变化,以及该位置发生变化前后的地物类型。进而,则可以根据所述第一图像中与所述各像素对应位置所属地物在所述第二图像中与所述各像素对应位置是否发生变化,以及该位置发生变化前后的地物类型,确定所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型。
本公开中,所述第一图像、所述第二图像以及所述地物变化图像具有相同的长宽尺寸以及相同的像素数量,根据所述地物变化图像中各像素所对应的地物类型变化参数,可以获取各像素对应位置所属地物的地物类型变化情况,进而能够获取整个指定区域的地物类型变化情况,即指定区域中哪些区域发生了地物类型变化以及这些变化区域在变化前后的地物类型。
本公开中,没有涉及任务的迁移处理,即并没有将地物分割结果强行迁移至变化检测上,因此,本公开对于神经网络的地物分割要求并没有提出特别的要求,也不会受到神经网络的地物分割边沿预测质量的影响。而本公开在模型训练过程中根本不学习地物分割,而是对两期图像进行了深层的特征融合,在训练过程中直接学习地物类型变化区域分割及其变化前后的地物类型,即直接学习任务目标,故有更好的识别效果。
本实施例中,通过在模型训练过程中,不断学习地物变化区域分割及其前后地物类型的识别,使得所采用的地物类型变化识别模型不仅仅能检测到两个图像中的地物变化区域,还能得到该地物变化区域变化前后的地物类型,操作简单,从而提高了地物识别的效率。
另外,采用本公开所提供的技术方案,在模型训练过程中,通过神经网络对两个图像进行了语义特征融合,获得多个层次上的图像的语义表征,来学习地物变化区域分割及其前后地物类型的识别,能够更加全面、深层次地表达图像,从而同时实现了对两个图像中的地物变化区域的检测及其变化前后的地物类型的识别,能够有效提高地物识别的可靠性。
另外,采用本公开所提供的技术方案,在模型训练过程中,无需借助于学习地物分割,而是直接学习地物变化区域分割及其前后地物类型的识别,这一目标任务,使得学习任务与目标任务统一,从而使得模型具有更好的识别效果。
另外,采用本公开所提供的技术方案,能够有效地提高用户的体验。
图2是根据本公开第二实施例的示意图,如图2所示。
201、获取训练数据集,所述训练数据集中各训练数据中包括训练区域的第一图像和所述第一图像中各像素所属地物的标注结果、以及所述训练区域的第二图像和所述第二图像中各像素所属地物的标注结果。
202、基于神经网络,构建地物类型变化识别模型。
203、利用所述训练数据集,训练所述地物类型变化识别模型,使得所述地物类型变化识别模型学习所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型的能力;其中,所述地物类型变化识别模型的训练目标包括:最小化所述地物类型变化识别模型的输出结果与各训练数据中的标注结果的差异。
需要说明的是,201~203的执行主体的部分或全部可以为位于本地终端的应用,或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(SoftwareDevelopment Kit,SDK)等功能单元,或者还可以为位于网络侧服务器中的处理引擎,或者还可以为位于网络侧的分布式系统,例如,网络侧的图像处理平台中的处理引擎或者分布式系统等,本实施例对此不进行特别限定。
可以理解的是,所述应用可以是安装在本地终端上的本地程序(nativeApp),或者还可以是本地终端上的浏览器的一个网页程序(webApp),本实施例对此不进行限定。
这样,通过在模型训练过程中,不断学习地物变化区域分割及其前后地物类型的识别,使得所得到的地物类型变化识别模型不仅仅能检测到两个图像中的地物变化区域,还能得到该地物变化区域变化前后的地物类型,操作简单,从而提高了地物识别的效率。
本公开中所涉及的图像均为遥感图像,能够直接或间接地反应地表覆盖和土地利用信息,是用来获取地球表面变化信息的重要手段。其中,第一图像和第二图像,分别是指在同一地理位置的不同时期的遥感影像,两期图像的坐标完全对应。
本公开中,第一图像是指地物发生变化前T1时刻的遥感影像,第二图像是指地物发生变化后T2时刻的遥感影像,T1≠T2。
在本公开中可以预先收集各训练区域中各地理位置的不同时期的遥感影像,将各地址位置成对的遥感影像即第一图像和第二图像,组成一条训练数据。
在训练数据中可以预先对各组第一图像和第二图像中各像素所属地物的地物类型进行标注,以在后续所述地物类型变化识别模型的训练过程中使用。
可选地,在本实施例的一个可能的实现方式中,在202中,具体可以基于神经网络,构建由特征提取网络、特征融合网络和特征映射网络所组成的神经网络模型。其中,
所述特征提取网络,可以用于根据所述第一图像,提取第一图像特征,以及根据第二图像,提取第二图像特征;所述特征融合网络,可以用于基于所述第一图像特征和所述第二图像特征,进行特征融合处理,以获得融合特征;所述特征映射网络,可以用于根据所述融合特征,进行映射处理,以获得所述第二图像相对所述第一图像的地物变化图像,所述地物变化图像包括至少一个像素,所述至少一个像素中各像素对应一个地物类型变化参数,用于指示所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型。
其中,可以采用各像素的像素值指示地物类型变化参数,或者还可以采用各像素的其他像素信息或者承载信息指示地物类型变化参数,本实施例对此不进行特别限定。
在该实现方式中,所采用的初始模型为神经网络,基于该神经网络,则进一步构建由特征提取网络、特征融合网络和特征映射网络所组成的神经网络模型。
在该实现方式中,所述地物类型变化识别模型中的特征提取网络的作用是提取图像中从低层到高层的地物特征,从而能够全面识别地物。深度学习的目的就是学习这些深度特征,例如,可以采用卷积神经网络(Convolutional Neural Networks,CNN)实现。
在该实现方式中,所述地物类型变化识别模型中的特征融合网络的作用是融合两个图像的地物特征,来识别地物变化区域及其变化前后的地物类型,从而能够精准识别地物变化区域及其变化前后的地物类型。深度学习的目的就是学习这些地物变化区域及其变化前后的地物类型,例如,可以采用三个卷积层实现。
在该实现方式中,所述地物类型变化识别模型中的特征映射网络的作用是将地物变化区域及其变化前后的地物类型映射为图像像素所对应的唯一数值,通过将地物变化区域及其变化前后的地物类型数值化,使得特征的表达形式得以简化。例如,可以采用Softmax层实现。
通过上述技术方案可以看出,在模型训练过程中,通过神经网络对两个图像进行了语义特征融合,获得多个层次上的图像的语义表征,来学习地物变化区域分割及其前后地物类型的识别,能够更加全面、深层次地表达图像,从而同时实现了对两个图像中的地物变化区域的检测及其变化前后的地物类型的识别,能够有效提高地物识别的可靠性。
可选地,在本实施例的一个可能的实现方式中,在训练所述地物类型变化识别模型的过程中,具体可以利用至少一个损失函数优化所述地物类型变化识别模型的参数;其中,所述至少一个损失函数,用以最小化所述地物类型变化识别模型的输出结果与各训练数据中的标注结果的差异。
在该实现方式中,具体可以根据所构建的神经网络模型中所包括的特征提取网络、特征融合网络和特征映射网络,分别构造各网络的损失函数,进而,根据各网络的损失函数,优化所述地物类型变化识别模型中各网络的参数,或者还可以直接构造一个所述地物类型变化识别模型的损失函数,进而根据该网络函数,优化所述地物类型变化识别模型中各网络的参数,本实施例对此不进行特别限定。
本实施例中,通过在模型训练过程中,不断学习地物变化区域分割及其前后地物类型的识别,使得模型不仅仅能检测到两个图像中的地物变化区域,还能得到该地物变化区域变化前后的地物类型,操作简单,从而提高了地物识别的效率。
另外,采用本公开所提供的技术方案,在模型训练过程中,通过神经网络对两个图像进行了语义特征融合,获得多个层次上的图像的语义表征,来学习地物变化区域分割及其前后地物类型的识别,能够更加全面、深层次地表达图像,从而同时实现了对两个图像中的地物变化区域的检测及其变化前后的地物类型的识别,能够有效提高地物识别的可靠性。
另外,采用本公开所提供的技术方案,在模型训练过程中,无需借助于学习地物分割,而是直接学习地物变化区域分割及其前后地物类型的识别,这一目标任务,使得学习任务与目标任务统一,从而使得模型具有更好的识别效果。
另外,采用本公开所提供的技术方案,能够有效地提高用户的体验。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本公开所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
图3是根据本公开第三实施例的示意图,如图3所示。本实施例的地物类型变化的识别装置300可以包括获取单元301、预测单元302和确定单元303。其中,获取单元301,用于获取指定区域的第一图像和所述指定区域的第二图像;预测单元302,用于根据所述第一图像和所述第二图像,采用预先训练的地物类型变化识别模型,生成所述第二图像相对所述第一图像的地物变化图像,所述地物变化图像包括至少一个像素,所述至少一个像素中各像素对应一个地物类型变化参数;确定单元303,用于根据所述各像素所对应的地物类型变化参数,确定所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型。
需要说明的是,本实施例的地物类型变化的识别装置的部分或全部可以为位于本地终端的应用,或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(Software Development Kit,SDK)等功能单元,或者还可以为位于网络侧服务器中的处理引擎,或者还可以为位于网络侧的分布式系统,例如,网络侧的图像处理平台中的处理引擎或者分布式系统等,本实施例对此不进行特别限定。
可以理解的是,所述应用可以是安装在本地终端上的本地程序(nativeApp),或者还可以是本地终端上的浏览器的一个网页程序(webApp),本实施例对此不进行限定。
可选地,在本实施例的一个可能的实现方式中,所述预测单元302,具体可以用于基于所述第一图像,采用所述地物类型变化识别模型中的特征提取网络,提取第一图像特征,以及基于第二图像,采用所述地物类型变化识别模型中的特征提取网络,提取第二图像特征;基于所述第一图像特征和所述第二图像特征,采用所述地物类型变化识别模型中的特征融合网络,进行特征融合处理,以获得融合特征;以及基于所述融合特征,采用所述地物类型变化识别模型中的特征映射网络,进行映射处理,以获得所述第二图像相对所述第一图像的地物变化图像。
可选地,在本实施例的一个可能的实现方式中,所述确定单元303,具体可以用于根据所述各像素所对应的地物类型变化参数,确定所述第一图像中与所述各像素对应位置所属地物在所述第二图像中与所述各像素对应位置是否发生变化,以及该位置发生变化前后的地物类型;以及根据所述第一图像中与所述各像素对应位置所属地物在所述第二图像中与所述各像素对应位置是否发生变化,以及该位置发生变化前后的地物类型,确定所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型。
可选地,在本实施例的一个可能的实现方式中,所述预测单元302,具体可以用于根据所述各像素所对应的地物类型变化参数,利用预先设置的地物类型变化参数与地物发生变化前后的地物类型之间的对应关系,获得所述各像素所对应的地物类型变化参数所对应的地物发生变化前后的地物类型;以及根据所述各像素所对应的地物类型变化参数所对应的地物发生变化前后的地物类型,确定所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型。
需要说明的是,图1对应的实施例中的方法可以由本实施例提供的地物类型变化的识别装置实现。详细描述可以参见图1对应的实施例中的相关内容,此处不再赘述。
本实施例中,通过在模型训练过程中,不断学习地物变化区域分割及其前后地物类型的识别,使得预测单元所采用的地物类型变化识别模型不仅仅能检测到两个图像中的地物变化区域,还能得到该地物变化区域变化前后的地物类型,操作简单,从而提高了地物识别的效率。
另外,采用本公开所提供的技术方案,在模型训练过程中,通过神经网络对两个图像进行了语义特征融合,获得多个层次上的图像的语义表征,来学习地物变化区域分割及其前后地物类型的识别,能够更加全面、深层次地表达图像,从而同时实现了对两个图像中的地物变化区域的检测及其变化前后的地物类型的识别,能够有效提高地物识别的可靠性。
另外,采用本公开所提供的技术方案,在模型训练过程中,无需借助于学习地物分割,而是直接学习地物变化区域分割及其前后地物类型的识别,这一目标任务,使得学习任务与目标任务统一,从而使得模型具有更好的识别效果。
另外,采用本公开所提供的技术方案,能够有效地提高用户的体验。
图4是根据本公开第四实施例的示意图,如图4所示。本实施例的地物类型变化识别模型的训练装置400可以包括获取单元401、构建单元402和训练单元403。其中,获取单元401,用于获取训练数据集,所述训练数据集中各训练数据中包括训练区域的第一图像和所述第一图像中各像素所属地物的标注结果、以及所述训练区域的第二图像和所述第二图像中各像素所属地物的标注结果;构建单元402,用于基于神经网络,构建地物类型变化识别模型;训练单元403,用于利用所述训练数据集,训练所述地物类型变化识别模型,使得所述地物类型变化识别模型学习所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型的能力;其中,所述地物类型变化识别模型的训练目标包括:最小化所述地物类型变化识别模型的输出结果与各训练数据中的标注结果的差异。
需要说明的是,本实施例的地物类型变化识别模型的训练装置的部分或全部可以为位于本地终端的应用,或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(Software Development Kit,SDK)等功能单元,或者还可以为位于网络侧服务器中的处理引擎,或者还可以为位于网络侧的分布式系统,例如,网络侧的图像处理平台中的处理引擎或者分布式系统等,本实施例对此不进行特别限定。
可以理解的是,所述应用可以是安装在本地终端上的本地程序(nativeApp),或者还可以是本地终端上的浏览器的一个网页程序(webApp),本实施例对此不进行限定。
可选地,在本实施例的一个可能的实现方式中,所述构建单元402,具体可以用于基于神经网络,构建由特征提取网络、特征融合网络和特征映射网络所组成的神经网络模型;其中,所述特征提取网络,用于根据所述第一图像,提取第一图像特征,以及根据第二图像,提取第二图像特征;
所述特征融合网络,用于基于所述第一图像特征和所述第二图像特征,进行特征融合处理,以获得融合特征;所述特征映射网络,用于根据所述融合特征,进行映射处理,以获得所述第二图像相对所述第一图像的地物变化图像,所述地物变化图像包括至少一个像素,所述至少一个像素中各像素对应一个地物类型变化参数,用于指示所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型。
可选地,在本实施例的一个可能的实现方式中,所述训练单元403,具体可以用于在训练所述地物类型变化识别模型的过程中,利用至少一个损失函数优化所述地物类型变化识别模型的参数;其中,所述至少一个损失函数,用以最小化所述地物类型变化识别模型的输出结果与各训练数据中的标注结果的差异。
需要说明的是,图2对应的实施例中的方法可以由本实施例提供的地物类型变化识别模型的训练装置实现。详细描述可以参见图2对应的实施例中的相关内容,此处不再赘述。
本实施例中,通过在模型训练过程中,不断学习地物变化区域分割及其前后地物类型的识别,使得训练单元所得到的地物类型变化识别模型不仅仅能检测到两个图像中的地物变化区域,还能得到该地物变化区域变化前后的地物类型,操作简单,从而提高了地物识别的效率。
另外,采用本公开所提供的技术方案,在模型训练过程中,通过神经网络对两个图像进行了语义特征融合,获得多个层次上的图像的语义表征,来学习地物变化区域分割及其前后地物类型的识别,能够更加全面、深层次地表达图像,从而同时实现了对两个图像中的地物变化区域的检测及其变化前后的地物类型的识别,能够有效提高地物识别的可靠性。
另外,采用本公开所提供的技术方案,在模型训练过程中,无需借助于学习地物分割,而是直接学习地物变化区域分割及其前后地物类型的识别,这一目标任务,使得学习任务与目标任务统一,从而使得模型具有更好的识别效果。
另外,采用本公开所提供的技术方案,能够有效地提高用户的体验。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,电子设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如地物类型变化的识别方法或者地物类型变化识别模型的训练方法。例如,在一些实施例中,地物类型变化的识别方法或者地物类型变化识别模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的地物类型变化的识别方法或者地物类型变化识别模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行地物类型变化的识别方法或者地物类型变化识别模型的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种地物类型变化的识别方法,包括:
获取指定区域的第一图像和所述指定区域的第二图像;
根据所述第一图像和所述第二图像,采用预先训练的地物类型变化识别模型,生成所述第二图像相对所述第一图像的地物变化图像,所述地物变化图像包括至少一个像素,所述至少一个像素中各像素对应一个地物类型变化参数;
根据所述各像素所对应的地物类型变化参数,确定所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型。
2.根据权利要求1所述的方法,其中,所述根据所述第一图像和所述第二图像,采用预先训练的地物类型变化识别模型,生成所述第二图像相对所述第一图像的地物变化图像,包括:
基于所述第一图像,采用所述地物类型变化识别模型中的特征提取网络,提取第一图像特征,以及基于第二图像,采用所述地物类型变化识别模型中的特征提取网络,提取第二图像特征;
基于所述第一图像特征和所述第二图像特征,采用所述地物类型变化识别模型中的特征融合网络,进行特征融合处理,以获得融合特征;
基于所述融合特征,采用所述地物类型变化识别模型中的特征映射网络,进行映射处理,以获得所述第二图像相对所述第一图像的地物变化图像。
3.根据权利要求1所述的方法,其中,所述根据所述各像素所对应的地物类型变化参数,确定所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型,包括:
根据所述各像素所对应的地物类型变化参数,确定所述第一图像中与所述各像素对应位置所属地物在所述第二图像中与所述各像素对应位置是否发生变化,以及该位置发生变化前后的地物类型;
根据所述第一图像中与所述各像素对应位置所属地物在所述第二图像中与所述各像素对应位置是否发生变化,以及该位置发生变化前后的地物类型,确定所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型。
4.根据权利要求1-3中任一项所述的方法,其中,所述根据所述各像素所对应的地物类型变化参数,确定所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型,包括:
根据所述各像素所对应的地物类型变化参数,利用预先设置的地物类型变化参数与地物发生变化前后的地物类型之间的对应关系,获得所述各像素所对应的地物类型变化参数所对应的地物发生变化前后的地物类型;
根据所述各像素所对应的地物类型变化参数所对应的地物发生变化前后的地物类型,确定所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型。
5.一种地物类型变化识别模型的训练方法,包括:
获取训练数据集,所述训练数据集中各训练数据中包括训练区域的第一图像和所述第一图像中各像素所属地物的标注结果、以及所述训练区域的第二图像和所述第二图像中各像素所属地物的标注结果;
基于神经网络,构建地物类型变化识别模型;
利用所述训练数据集,训练所述地物类型变化识别模型,使得所述地物类型变化识别模型学习所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型的能力;其中,所述地物类型变化识别模型的训练目标包括:最小化所述地物类型变化识别模型的输出结果与各训练数据中的标注结果的差异。
6.根据权利要求5所述的方法,其中,所述基于神经网络,构建地物类型变化识别模型,包括:
基于神经网络,构建由特征提取网络、特征融合网络和特征映射网络所组成的神经网络模型;其中,
所述特征提取网络,用于根据所述第一图像,提取第一图像特征,以及根据第二图像,提取第二图像特征;
所述特征融合网络,用于基于所述第一图像特征和所述第二图像特征,进行特征融合处理,以获得融合特征;
所述特征映射网络,用于根据所述融合特征,进行映射处理,以获得所述第二图像相对所述第一图像的地物变化图像,所述地物变化图像包括至少一个像素,所述至少一个像素中各像素对应一个地物类型变化参数,用于指示所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型。
7.根据权利要求5或6所述的方法,其中,在训练所述地物类型变化识别模型的过程中,利用至少一个损失函数优化所述地物类型变化识别模型的参数;其中,
所述至少一个损失函数,用以最小化所述地物类型变化识别模型的输出结果与各训练数据中的标注结果的差异。
8.一种地物类型变化的识别装置,包括:
获取单元,用于获取指定区域的第一图像和所述指定区域的第二图像;
预测单元,用于根据所述第一图像和所述第二图像,采用预先训练的地物类型变化识别模型,生成所述第二图像相对所述第一图像的地物变化图像,所述地物变化图像包括至少一个像素,所述至少一个像素中各像素对应一个地物类型变化参数;
确定单元,用于根据所述各像素所对应的地物类型变化参数,确定所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型。
9.根据权利要求8所述的装置,其中,所述预测单元,具体用于
基于所述第一图像,采用所述地物类型变化识别模型中的特征提取网络,提取第一图像特征,以及基于第二图像,采用所述地物类型变化识别模型中的特征提取网络,提取第二图像特征;
基于所述第一图像特征和所述第二图像特征,采用所述地物类型变化识别模型中的特征融合网络,进行特征融合处理,以获得融合特征;以及
基于所述融合特征,采用所述地物类型变化识别模型中的特征映射网络,进行映射处理,以获得所述第二图像相对所述第一图像的地物变化图像。
10.根据权利要求8所述的装置,其中,所述确定单元,具体用于
根据所述各像素所对应的地物类型变化参数,确定所述第一图像中与所述各像素对应位置所属地物在所述第二图像中与所述各像素对应位置是否发生变化,以及该位置发生变化前后的地物类型;以及
根据所述第一图像中与所述各像素对应位置所属地物在所述第二图像中与所述各像素对应位置是否发生变化,以及该位置发生变化前后的地物类型,确定所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型。
11.根据权利要求8-10中任一项所述的装置,其中,所述预测单元,具体用于
根据所述各像素所对应的地物类型变化参数,利用预先设置的地物类型变化参数与地物发生变化前后的地物类型之间的对应关系,获得所述各像素所对应的地物类型变化参数所对应的地物发生变化前后的地物类型;以及
根据所述各像素所对应的地物类型变化参数所对应的地物发生变化前后的地物类型,确定所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型。
12.一种地物类型变化识别模型的训练装置,包括:
获取单元,用于获取训练数据集,所述训练数据集中各训练数据中包括训练区域的第一图像和所述第一图像中各像素所属地物的标注结果、以及所述训练区域的第二图像和所述第二图像中各像素所属地物的标注结果;
构建单元,用于基于神经网络,构建地物类型变化识别模型;
训练单元,用于利用所述训练数据集,训练所述地物类型变化识别模型,使得所述地物类型变化识别模型学习所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型的能力;其中,所述地物类型变化识别模型的训练目标包括:最小化所述地物类型变化识别模型的输出结果与各训练数据中的标注结果的差异。
13.根据权利要求12所述的装置,其中,所述构建单元,具体用于
基于神经网络,构建由特征提取网络、特征融合网络和特征映射网络所组成的神经网络模型;其中,
所述特征提取网络,用于根据所述第一图像,提取第一图像特征,以及根据第二图像,提取第二图像特征;
所述特征融合网络,用于基于所述第一图像特征和所述第二图像特征,进行特征融合处理,以获得融合特征;
所述特征映射网络,用于根据所述融合特征,进行映射处理,以获得所述第二图像相对所述第一图像的地物变化图像,所述地物变化图像包括至少一个像素,所述至少一个像素中各像素对应一个地物类型变化参数,用于指示所述第二图像相对所述第一图像的地物变化区域,以及所述地物变化区域变化前后的地物类型。
14.根据权利要求12或13所述的装置,其中,所述训练单元,具体用于
在训练所述地物类型变化识别模型的过程中,利用至少一个损失函数优化所述地物类型变化识别模型的参数;其中,
所述至少一个损失函数,用以最小化所述地物类型变化识别模型的输出结果与各训练数据中的标注结果的差异。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行根据权利要求1-4中任一项所述的方法,或者执行根据权利要求5-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法,或者执行根据权利要求5-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-4中任一项所述的方法,或者实现根据权利要求5-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110075692.6A CN112784732B (zh) | 2021-01-20 | 2021-01-20 | 地物类型变化的识别、模型训练方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110075692.6A CN112784732B (zh) | 2021-01-20 | 2021-01-20 | 地物类型变化的识别、模型训练方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112784732A true CN112784732A (zh) | 2021-05-11 |
CN112784732B CN112784732B (zh) | 2024-01-23 |
Family
ID=75757383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110075692.6A Active CN112784732B (zh) | 2021-01-20 | 2021-01-20 | 地物类型变化的识别、模型训练方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784732B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902185A (zh) * | 2021-09-30 | 2022-01-07 | 北京百度网讯科技有限公司 | 区域用地性质的确定方法、装置、电子设备及存储介质 |
CN116206215A (zh) * | 2023-03-17 | 2023-06-02 | 银河航天(北京)网络技术有限公司 | 一种森林土地状态的监测方法、装置及存储介质 |
JP7466165B1 (ja) | 2023-10-20 | 2024-04-12 | 株式会社Ridge-i | 情報処理装置、情報処理方法及び情報処理プログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200134313A1 (en) * | 2018-10-30 | 2020-04-30 | Fujitsu Limited | Detection method and detection device |
CN111598174A (zh) * | 2020-05-19 | 2020-08-28 | 中国科学院空天信息创新研究院 | 图像地物要素分类模型的训练方法、图像分析方法及系统 |
CN112016436A (zh) * | 2020-08-28 | 2020-12-01 | 北京国遥新天地信息技术有限公司 | 一种基于深度学习的遥感影像变化检测方法 |
-
2021
- 2021-01-20 CN CN202110075692.6A patent/CN112784732B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200134313A1 (en) * | 2018-10-30 | 2020-04-30 | Fujitsu Limited | Detection method and detection device |
CN111598174A (zh) * | 2020-05-19 | 2020-08-28 | 中国科学院空天信息创新研究院 | 图像地物要素分类模型的训练方法、图像分析方法及系统 |
CN112016436A (zh) * | 2020-08-28 | 2020-12-01 | 北京国遥新天地信息技术有限公司 | 一种基于深度学习的遥感影像变化检测方法 |
Non-Patent Citations (1)
Title |
---|
万冉冉;陈娟;廖明伟;刘异;庞超;: "基于Siamese卷积神经网络的影像瓦片变化检测技术", 测绘通报, no. 04, pages 99 - 103 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902185A (zh) * | 2021-09-30 | 2022-01-07 | 北京百度网讯科技有限公司 | 区域用地性质的确定方法、装置、电子设备及存储介质 |
CN113902185B (zh) * | 2021-09-30 | 2023-10-31 | 北京百度网讯科技有限公司 | 区域用地性质的确定方法、装置、电子设备及存储介质 |
CN116206215A (zh) * | 2023-03-17 | 2023-06-02 | 银河航天(北京)网络技术有限公司 | 一种森林土地状态的监测方法、装置及存储介质 |
CN116206215B (zh) * | 2023-03-17 | 2023-09-29 | 银河航天(北京)网络技术有限公司 | 一种森林土地状态的监测方法、装置及存储介质 |
JP7466165B1 (ja) | 2023-10-20 | 2024-04-12 | 株式会社Ridge-i | 情報処理装置、情報処理方法及び情報処理プログラム |
Also Published As
Publication number | Publication date |
---|---|
CN112784732B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801164A (zh) | 目标检测模型的训练方法、装置、设备及存储介质 | |
CN113191256B (zh) | 车道线检测模型的训练方法、装置、电子设备及存储介质 | |
CN112784732B (zh) | 地物类型变化的识别、模型训练方法、装置、设备及介质 | |
CN112560862B (zh) | 文本识别方法、装置及电子设备 | |
CN113780098B (zh) | 文字识别方法、装置、电子设备以及存储介质 | |
CN113361578A (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN113963186A (zh) | 目标检测模型的训练方法、目标检测方法及相关装置 | |
CN114332977A (zh) | 关键点检测方法、装置、电子设备及存储介质 | |
US10733710B2 (en) | System and method for drawing beautification | |
CN114494776A (zh) | 一种模型训练方法、装置、设备以及存储介质 | |
CN113205041A (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
CN113344862A (zh) | 缺陷检测方法、装置、电子设备及存储介质 | |
CN113378832A (zh) | 文本检测模型训练方法、文本预测框方法及装置 | |
JP2022185143A (ja) | テキスト検出方法、テキスト認識方法及び装置 | |
CN114581732A (zh) | 一种图像处理及模型训练方法、装置、设备和存储介质 | |
CN113963197A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
CN116385789B (zh) | 图像处理方法、训练方法、装置、电子设备及存储介质 | |
CN114139701A (zh) | 一种用于边界线提取的神经网络模型训练方法及相关设备 | |
CN114612971A (zh) | 人脸检测方法、模型训练方法、电子设备及程序产品 | |
CN114187448A (zh) | 文档图像识别方法和装置、电子设备、计算机可读介质 | |
CN113936158A (zh) | 一种标签匹配方法及装置 | |
CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
CN113033431A (zh) | 光学字符识别模型训练和识别方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |