CN113505844A - 标签生成方法、装置、设备、存储介质及程序产品 - Google Patents
标签生成方法、装置、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN113505844A CN113505844A CN202110839342.2A CN202110839342A CN113505844A CN 113505844 A CN113505844 A CN 113505844A CN 202110839342 A CN202110839342 A CN 202110839342A CN 113505844 A CN113505844 A CN 113505844A
- Authority
- CN
- China
- Prior art keywords
- image
- classification
- remote sensing
- value
- label
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种标签生成方法、装置、设备、存储介质及程序产品,所述方法包括:获取第一遥感图像中各第一图像单元分别对应的第一分类标签值,其中,第一遥感图像是在第一时期对目标地理区域采集得到的遥感图像;获取在第二时期对目标地理区域采集得到的第二遥感图像;将第一图像单元对应的第一分类标签值转换为与第一分类标签值大小接近的近似标签值,其中,近似标签值与第一分类标签值之间的差值在预设区间内;将近似标签值作为第二图像单元对应的分类标签值,其中,第二图像单元是第二遥感图像中与第一图像单元对应相同地理区域的图像单元。本发明实现了一种能够保证分类模型效果的标签自动生成方案,降低了人工标注的工作量。
Description
技术领域
本发明涉及遥感影像技术领域,尤其涉及一种标签生成方法、装置、设备、存储介质及程序产品。
背景技术
随着人工智能技术和遥感影像技术的发展和成熟,基于遥感影像的图像分类已被广泛应用到各种场景,例如,通过对遥感图像的地物分类实现生态环境监测等,相对于人工目视解译,自动化的遥感分析技术能够提高处理效率和成本。但是目前训练基于遥感影像的分类模型时,遥感影像容易获得,训练标注却需要人工标注;特别是由于季节、光照、大气条件、传感器等的不同,各个时期遥感影像的色调差异较大,针对其中一个时期的遥感影像训练的模型对其他时期的遥感影像分类效果差,因此各个时期的遥感影像都需要参与模型训练,以提高模型泛化能力,那么针对同一区域的不同时期的遥感影像也要分别人工标注训练标签,极大地增大了标注工作量。
发明内容
本发明的主要目的在于提供一种标签生成方法、装置、设备、存储介质及程序产品,旨在解决目前基于遥感影像的分类模型训练标签标注工作量大的技术问题。
为实现上述目的,本发明提供一种标签生成方法,所述方法应用于标签生成设备,所述方法包括以下步骤:
获取第一遥感图像中各第一图像单元分别对应的第一分类标签值,其中,所述第一遥感图像是在第一时期对目标地理区域采集得到的遥感图像;
获取在第二时期对所述目标地理区域采集得到的第二遥感图像;
将所述第一图像单元对应的所述第一分类标签值转换为与所述第一分类标签值大小接近的近似标签值,其中,所述近似标签值与所述第一分类标签值之间的差值在预设区间内;
将所述近似标签值作为第二图像单元对应的分类标签值,其中,所述第二图像单元是所述第二遥感图像中与所述第一图像单元对应相同地理区域的图像单元。
可选地,所述第一分类标签值包括各种分类类别分别对应的类别标签值,所述将所述第一图像单元对应的所述第一分类标签值转换为与所述第一分类标签值大小接近的近似标签值的步骤包括:
当所述类别标签值为1时,将1减去预设差值得到的结果作为所述类别标签值对应的近似标签值,其中,所述预设差值为所述预设区间的上限值;
当所述类别标签值为0时,采用所述预设差值除以剩余类别数得到的结果作为所述类别标签值对应的近似标签值,其中,所述剩余类别数是为分类类别的总数减去1。
可选地,所述当所述类别标签值为1时,将1减去预设差值得到的结果作为所述类别标签值对应的近似标签值的步骤之前,还包括:
计算所述第一遥感图像和所述第二遥感图像之间在预设图像特征上的特征差异度;
根据预设的差异度与差值之间的映射关系将所述特征差异度对应的差值作为所述预设差值。
可选地,所述获取第一遥感图像中各第一图像单元分别对应的第一分类标签值的步骤包括:
获取所述第一遥感图像中第一部分图像区域的人工标注数据;
从所述人工标注数据中提取得到所述第一部分图像区域中各图像单元的分类标签值;
采用所述第一部分图像区域以及所述第一部分图像区域中各图像单元的分类标签值训练得到第一图像分类模型;
采用所述第一图像分类模型对所述第一遥感图像中除所述第一部分图像区域外的第二部分图像区域进行分类,得到所述第二部分图像区域中各图像单元的分类标签值。
可选地,所述将所述近似标签值作为第二图像单元对应的分类标签值的步骤之后,还包括:
采用所述第二遥感图像和所述第二遥感图像中各所述第二图像单元的分类标签值训练得到第二图像分类模型。
可选地,所述采用所述第二遥感图像和所述第二遥感图像中各所述第二图像单元的分类标签值训练得到第二图像分类模型的步骤包括:
采用所述第二遥感图像和所述第二遥感图像中各所述第二图像单元的分类标签值对预设的待训练图像分类模型进行一轮训练,并检测训练后的待训练图像分类模型的分类准确度相对于训练前的分类准确度是否增加;
若增加,则按照预设缩小尺度更新所述第二图像单元的分类标签值,以缩小所述第二图像单元的分类标签值与对应的所述第一分类标签值之间的差值;
基于训练后的待训练图像分类模型和更新后的所述第二图像单元的分类标签值,返回执行所述采用所述第二遥感图像和所述第二遥感图像中各所述第二图像单元的分类标签值对预设的待训练图像分类模型进行一轮训练的步骤,直到检测到满足预设迭代停止条件时,将训练后的待训练图像分类模型作为第二图像分类模型。
可选地,所述采用所述第二遥感图像和所述第二遥感图像中各所述第二图像单元的分类标签值训练得到第二图像分类模型的步骤之后,还包括:
当获取到待分类遥感图像时,获取所述待分类遥感图像的拍摄时期;
当所述拍摄时期为所述第一时期时,采用所述第一图像分类模型对所述待分类遥感图像进行分类,得到所述待分类遥感图像中各图像单元的分类结果;
当所述拍摄时期为所述第二时期时,采用所述第二图像分类模型对所述待分类遥感图像进行分类,得到所述待分类遥感图像中各图像单元的分类结果。
为实现上述目的,本发明还提供一种标签生成装置,所述标签生成装置包括:
第一获取模块,用于获取第一遥感图像中各第一图像单元分别对应的第一分类标签值,其中,所述第一遥感图像是在第一时期对目标地理区域采集得到的遥感图像;
第二获取模块,用于获取在第二时期对所述目标地理区域采集得到的第二遥感图像;
转换模块,用于将所述第一图像单元对应的所述第一分类标签值转换为与所述第一分类标签值大小接近的近似标签值,其中,所述近似标签值与所述第一分类标签值之间的差值在预设区间内;
确定模块,用于将所述近似标签值作为第二图像单元对应的分类标签值,其中,所述第二图像单元是所述第二遥感图像中与所述第一图像单元对应相同地理区域的图像单元。
为实现上述目的,本发明还提供一种标签生成设备,所述标签生成设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的标签生成程序,所述标签生成程序被所述处理器执行时实现如上所述的标签生成方法的步骤。
此外,为实现上述目的,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有标签生成程序,所述标签生成程序被处理器执行时实现如上所述的标签生成方法的步骤。
此外,为实现上述目的,本发明还提出一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上所述的标签生成方法的步骤。
本发明中,通过对第一时期对目标地理区域采集得到的第一遥感图像,获取该第一遥感图像中各第一图像单元分别对应的第一分类标签;获取第二时期对该目标地理区域采集得到的第二遥感图像;将第一图像单元的第一分类标签值转换为与该第一分类标签值大小接近的近似标签值,将第一图像单元的近似标签值作为与该第一图像单元对应相同地理区域的第二遥感图像中第二图像单元的分类标签值。本发明实现了一种能够保证分类模型效果的标签生成方案,基于该标签生成方案可以采用一个时期遥感图像的分类标签自动化地生成其他时期遥感图像的分类标签,降低了人工标注的工作量。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的结构示意图;
图2为本发明标签生成方法第一实施例的流程示意图;
图3为本发明标签生成装置较佳实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
需要说明的是,本发明实施例标签生成设备可以是智能手机、个人计算机和服务器等设备,在此不做具体限制。
如图1所示,该标签生成设备可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的设备结构并不构成对标签生成设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及标签生成程序。操作系统是管理和控制设备硬件和软件资源的程序,支持标签生成程序以及其它软件或程序的运行。在图1所示的设备中,用户接口1003主要用于与客户端进行数据通信;网络接口1004主要用于服务器建立通信连接;而处理器1001可以用于调用存储器1005中存储的标签生成程序,并执行以下操作:
获取第一遥感图像中各第一图像单元分别对应的第一分类标签值,其中,所述第一遥感图像是在第一时期对目标地理区域采集得到的遥感图像;
获取在第二时期对所述目标地理区域采集得到的第二遥感图像;
将所述第一图像单元对应的所述第一分类标签值转换为与所述第一分类标签值大小接近的近似标签值,其中,所述近似标签值与所述第一分类标签值之间的差值在预设区间内;
将所述近似标签值作为第二图像单元对应的分类标签值,其中,所述第二图像单元是所述第二遥感图像中与所述第一图像单元对应相同地理区域的图像单元。
进一步地,所述第一分类标签值包括各种分类类别分别对应的类别标签值,所述将所述第一图像单元对应的所述第一分类标签值转换为与所述第一分类标签值大小接近的近似标签值包括:
当所述类别标签值为1时,将1减去预设差值得到的结果作为所述类别标签值对应的近似标签值,其中,所述预设差值为所述预设区间的上限值;
当所述类别标签值为0时,采用所述预设差值除以剩余类别数得到的结果作为所述类别标签值对应的近似标签值,其中,所述剩余类别数是为分类类别的总数减去1。
进一步地,所述当所述类别标签值为1时,将1减去预设差值得到的结果作为所述类别标签值对应的近似标签值之前,处理器1001还可以用于调用存储器1005中存储的标签生成程序,执行以下操作:
计算所述第一遥感图像和所述第二遥感图像之间在预设图像特征上的特征差异度;
根据预设的差异度与差值之间的映射关系将所述特征差异度对应的差值作为所述预设差值。
进一步地,所述获取第一遥感图像中各第一图像单元分别对应的第一分类标签值包括:
获取所述第一遥感图像中第一部分图像区域的人工标注数据;
从所述人工标注数据中提取得到所述第一部分图像区域中各图像单元的分类标签值;
采用所述第一部分图像区域以及所述第一部分图像区域中各图像单元的分类标签值训练得到第一图像分类模型;
采用所述第一图像分类模型对所述第一遥感图像中除所述第一部分图像区域外的第二部分图像区域进行分类,得到所述第二部分图像区域中各图像单元的分类标签值。
进一步地,所述将所述近似标签值作为第二图像单元对应的分类标签值之后,处理器1001还可以用于调用存储器1005中存储的标签生成程序,执行以下操作:
采用所述第二遥感图像和所述第二遥感图像中各所述第二图像单元的分类标签值训练得到第二图像分类模型。
进一步地,所述采用所述第二遥感图像和所述第二遥感图像中各所述第二图像单元的分类标签值训练得到第二图像分类模型包括:
采用所述第二遥感图像和所述第二遥感图像中各所述第二图像单元的分类标签值对预设的待训练图像分类模型进行一轮训练,并检测训练后的待训练图像分类模型的分类准确度相对于训练前的分类准确度是否增加;
若增加,则按照预设缩小尺度更新所述第二图像单元的分类标签值,以缩小所述第二图像单元的分类标签值与对应的所述第一分类标签值之间的差值;
基于训练后的待训练图像分类模型和更新后的所述第二图像单元的分类标签值,返回执行所述采用所述第二遥感图像和所述第二遥感图像中各所述第二图像单元的分类标签值对预设的待训练图像分类模型进行一轮训练的步骤,直到检测到满足预设迭代停止条件时,将训练后的待训练图像分类模型作为第二图像分类模型。
进一步地,所述采用所述第二遥感图像和所述第二遥感图像中各所述第二图像单元的分类标签值训练得到第二图像分类模型之后,处理器1001还可以用于调用存储器1005中存储的标签生成程序,执行以下操作:
当获取到待分类遥感图像时,获取所述待分类遥感图像的拍摄时期;
当所述拍摄时期为所述第一时期时,采用所述第一图像分类模型对所述待分类遥感图像进行分类,得到所述待分类遥感图像中各图像单元的分类结果;
当所述拍摄时期为所述第二时期时,采用所述第二图像分类模型对所述待分类遥感图像进行分类,得到所述待分类遥感图像中各图像单元的分类结果。
基于上述的结构,提出标签生成方法的各个实施例。
参照图2,图2为本发明标签生成方法第一实施例的流程示意图。
本发明实施例提供了标签生成方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。在本实施例中,标签生成方法应用于标签生成设备,标签生成设备可以是智能手机、个人计算机、服务器等设备,为便于描述,以下省略执行主体进行各实施例的阐述。在本实施例中,标签生成方法包括:
步骤S10,获取第一遥感图像中各第一图像单元分别对应的第一分类标签值,其中,所述第一遥感图像是在第一时期对目标地理区域采集得到的遥感图像;
在本实施例中,为解决各个时期遥感影像都需要人工标注训练标签,标注工作量大的问题,提出通过借用一个时期的遥感影像标签来生成另一时期的遥感影像标签的解决方案,以极大地降低人工标注的工作量。
具体地,将第一时期对目标地理区域采集到的遥感图像作为第一遥感图像。其中,第一时期根据需要进行设定,可以是一个时间点,也可以是一个时间段,时间段的时间跨度不宜过大,以保证在第一时期内通过遥感卫星采集到的遥感图像在图像特征上差异不要过大,图像特征可以是指图像的色调、细节纹理特征等。
获取第一遥感图像中各个图像单元分别对应的分类标签值,为示区别,以下将第一遥感图像中的图像单元称为第一图像单元,将第一图像单元对应的分类标签值称为第一分类标签值。可以理解的是,第一遥感图像可以划分为多个第一图像单元,每个图像单元对应一个第一分类标签值。需要说明的是,一个第一分类标签值并不是指只有一个值,而是可以根据需要分类的类别数不同,包括一个或多个类别标签值;例如,当只有一个(或者说一种)分类类别时,一个第一分类标签值包括一个类别标签值,用于指示该图像单元是否属于该分类类别;当有多个分类类别时,一个第一分类标签值包括多个类别标签值,每个类别标签值对应一种分类类别,用于指示该图像单元是否属于该分类类别。在一些实施方式中,类别标签值被设置为1或0,以用于表示“是”或“否”,但是,本实施例中,对类别标签值如何设置具体不做限制。分类的类别在本实施例中也不做限制,例如可以是分类植被、建筑等类别。
图像单元可以是根据具体需要按照一定规则对图像划分所得的,例如,在一实施方式中,可以将图像的像素点作为图像单元,也即,一个像素点就是一个图像单元。本实施例对图像单元的划分规则并不限制。
第一分类标签值可以是人工标注的标签值,也可以是采用现有的自动化标注方式标注得到的标签值,在本实施例中并不做限制。
步骤S20,获取在第二时期对所述目标地理区域采集得到的第二遥感图像;
获取在第二时期对目标地理区域采集得到的遥感图像,以下称为第二遥感图像。其中,第二时期同样可以是根据需要进行设定,可以是一个时间点,也可以是一个时间段,时间段的时间跨度也不宜过大,以保证在第二时期内通过遥感卫星采集到的遥感图像在图像特征上差异不要过大。采集第二遥感图像的采集设备与采集第一遥感图像的采集设备可以相同,也可以不同;如果采集设备相同,那么第一时期和第二时期可设置得不同,如果采集设备不同,那么第一时期和第二时期可设置得相同。也即,不同的时期采集的遥感图像特征不同,因此可以借用一个时期的标签生成另一个时期的标签,不同的采集设备采集的遥感图像不同,因此可以借用一个采集设备采集的遥感图像的标签生成另一个采集设备采集的遥感图像的标签。第二遥感图像和第一遥感图像均是对目标地理区域采集得到的遥感图像,目标地理区域可以根据具体需要选取,在此并不做限制。
步骤S30,将所述第一图像单元对应的所述第一分类标签值转换为与所述第一分类标签值大小接近的近似标签值,其中,所述近似标签值与所述第一分类标签值之间的差值在预设区间内;
对于第一遥感图像中的各个第一图像单元,将该第一图像单元对应的第一分类标签值转换为与该第一分类标签值大小接近的近似标签值。其中,可以通过对近似标签值与第一分类标签值之间的差值进行约束来达到大小接近的目的。具体地,可以设置一个预设区间,转换得到的近似标签值与第一分类标签值之间的差值在该预设区间内即可。预设区间可以根据需要进行设置,例如设置为(0,0.1];也即,本实施例中对近似标签值和第一分类标签值之间的接近程度并不做限制。在具体实施方式中,将第一分类标签值转换为大小接近的近似标签值的方式有多种,在本实施例中并不做限制。例如,可以将第一分类标签值加上或减去一个值,该值在预设区间内,从而保证转换得到的近似标签值与第一分类标签值之间的差值是在该预设区间的。
需要说明的是,预设区间是不包括0的,因为如果近似标签值和第一分类标签值之间的差值为0,就达不到转换为大小接近的近似值的目的。预设区间可以是只包括正数的区间,那么近似标签值和第一分类标签值的差值绝对值在该预设区间即可。当第一分类标签值包括多个类别标签值时,是分别对每个类别标签值转换为近似的标签值,每个类别标签值与其转换得到的近似标签值之间的差值在预设区间即可。
步骤S40,将所述近似标签值作为第二图像单元对应的分类标签值,其中,所述第二图像单元是所述第二遥感图像中与所述第一图像单元对应相同地理区域的图像单元。
在将第一图像单元的分类标签值转换得到近似标签值后,将该近似标签值作为第二图像单元对应的分类标签值,而第二图像单元是第二遥感图像中与第一图像单元对应相同地理区域的图像单元。由于第一遥感图像和第二遥感图像均是对目标地理区域采集的图像,所以第一遥感图像中的图像单元与第二遥感图像中的图像单元是一一对应的。对于第二遥感图像中的每个第二图像单元,均可以采用对应的第一图像单元的近似标签值作为该第二图像单元的分类标签值,因此,即可生成第二遥感图像中各个第二图像单元的分类标签值。
在本实施例中,将第一图像单元的分类标签值转换得到的近似标签值作为第二图像单元的分类标签值的原理是:我们猜想将第一图像单元的分类标签值直接作为第二图像单元的分类标签值来训练模型,模型对第二时期的采集的遥感图像分类效果会较差,而通过实验发现确实如此;通过分析,发现其原因是第二图像单元真实的分类标签值与第一图像单元的分类标签值是存在差异的,如果直接使用第一图像单元的分类标签值来训练,会使得模型在训练的过程中确信第一图像单元的分类标签值就是第二图像单元的分类标签值,从而导致训练方向跑偏;又通过分析发现第一遥感图像和第二遥感图像是对同一地理区域采集的图像,分类标签值的差异不会过大,如果在使用第一图像单元的分类标签值来训练时,能够使得模型在训练的过程中对第一图像单元的分类标签值是第二图像单元的分类标签值不那么确信,即可抵消掉第一遥感图像和第二遥感图像的分类标签值的小差异,使得训练方向被矫正,分类效果得到提升;而通过将第一图像单元的分类标签值转换为大小接近的近似标签值作为第二图像单元的分类标签值,虽然不一定获得了第二图像单元的正确的分类标签值,但正好可以模拟出模型对分类标签值不那么确信的状态,从而能够保证训练得到的分类模型对第二时期采集的遥感图像的分类效果,也即通过这种方式生成的第二遥感图像的分类标签值不一定是真实的,但却是能够模拟真实标签训练效果的,也即具有一定的可用性。
本实施例通过对第一时期对目标地理区域采集得到的第一遥感图像,获取该第一遥感图像中各第一图像单元分别对应的第一分类标签;获取第二时期对该目标地理区域采集得到的第二遥感图像;将第一图像单元的第一分类标签值转换为与该第一分类标签值大小接近的近似标签值,将第一图像单元的近似标签值作为与该第一图像单元对应相同地理区域的第二遥感图像中第二图像单元的分类标签值。本实施例实现了一种能够保证分类模型效果的标签生成方案,基于该标签生成方案可以采用一个时期遥感图像的分类标签自动化地生成其他时期遥感图像的分类标签,降低了人工标注的工作量。
进一步地,在一实施方式中,在得到第二遥感图像中各个第二图像单元的分类标签值后,可以采用第二遥感图像和分类标签值来训练分类模型。具体地,可以只采用第二遥感图像对应的分类标签值来训练一个针对第二时期遥感图像的分类模型,也可以是采用第二遥感图像和第一遥感图像以及对应的分类标签值训练一个针对第一时期和第二时期遥感图像的分类模型,也可以是采用第二遥感图像和其他时期的遥感图像以及对应的分类标签值训练一个针对第二时期和其他时期遥感图像的分类模型。分类模型可以采用常用的图像语义分割模型,或其他图像分类模型,在此并不做限制。
进一步地,基于上述第一实施例,提出本发明标签生成方法第二实施例,在本实施例中,所述步骤S30包括:
步骤S301,当所述类别标签值为1时,将1减去预设差值得到的结果作为所述类别标签值对应的近似标签值,其中,所述预设差值为所述预设区间的上限值;
在本实施例中,提出一种将第一分类标签值转换为近似标签值的方法。具体地,一个第一图像单元对应的第一分类标签值包括各种分类类别分别对应的类别标签值。一个第一分类标签值中的多个类别标签值中有一个为1,其余的为0,表示该第一图像单元的类别是1所对应的那个分类类别。或者,一个第一分类标签值中的多个标签值中有一个为0,其余的为1,表示该第一图像单元的类别是0所对应的那个分类类别。
对于一个第一分类标签值中的各个类别标签值,当该类别标签值为1时,将1减去预设差值得到的结果作为该类别标签值对应的近似标签值。其中,预设差值为预设区间的上限值。预设差值采用ε表示,那么为1的类别标签值转换得到的近似标签值为1-ε。例如,预设差值设置为0.1,那么为1的类别标签值转换得到的近似标签值为0.9。
步骤S302,当所述类别标签值为0时,采用所述预设差值除以剩余类别数得到的结果作为所述类别标签值对应的近似标签值,其中,所述剩余类别数是为分类类别的总数减去1。
将分类类别的总数减去1,得到的结果称为剩余类别数以示区分。当该类别标签值为0时,采用预设差值除以该剩余类别数得到的结果作为该类别标签值对应的近似标签值。分类类别的总数用k表示,那么为0的类别标签值转换得到的近似标签值为1/(1-k)。需要说明的是,若除法除不尽可以取近似值。例如,当分类类别的总数是4时,也即需要分类的类别有4种时,一个第一图像单元的第一分类标签值是(0,0,1,0),表示该第一图像单元属于第三类,转换后得到的近似标签值为(0.03,0.03,0.9,0.03)。
进一步地,在一实施方式中,所述方法还包括:
步骤S50,计算所述第一遥感图像和所述第二遥感图像之间在预设图像特征上的特征差异度;
步骤S60,根据预设的差异度与差值之间的映射关系将所述特征差异度对应的差值作为所述预设差值。
可以根据第一遥感图像和第二遥感图像之间的差异度来确定预设差值。具体地,可以计算第一遥感图像和第二遥感图像之间在预设图像特征上的特征差异度。其中,预设图像特征可以包括色调、纹理特征和/或颜色等特征,在本实施例中并不做限制,可以采用对应的特征提取方式提取两个图像的特征值,然后计算两个特征值之间的差异度。当包括多个图像特征时,可以分别计算两个遥感图像在每个图像特征上的差异度,再将各个差异度进行平均或加权平均,得到一个特征差异度。由于第一遥感图像和第二遥感图像所涵盖的地理区域可能很大,所以可以仅对第一遥感图像和第二遥感图像的部分区域进行差异度计算,部分区域可以采取抽样的方式确定。
在计算得到第一遥感图像和第二遥感图像之间的特征差异度后,可以根据预设的差异度与差值之间的映射关系,将特征差异度对应的差值作为预设差值。其中,预先可以设置差异度与差值之间的映射关系,在该映射关系中,差值可以是随差异度增大而增大,也即,当第一遥感图像与第二遥感图像之间的特征差异度越大时,预设差值越大,以使得模型对第一遥感图像的分类标签值作为第二遥感图像的分类标签值的不确信程度与两个图像真实的差异度相符,从而能够提高基于生成的第二遥感图像的分类标签值训练得到的分类模型的分类准确度,也即提高生成的第二遥感图像的分类标签值的可用度。
进一步地,基于上述第一和/或第二实施例,提出本发明标签生成方法第三实施例,在本实施例中,所述步骤S10包括:
步骤S101,获取所述第一遥感图像中第一部分图像区域的人工标注数据;
在本实施例中,当目标地理区域的范围较大时,可以采用第一遥感图像中的部分图像区域以及这部分图像区域的人工标注数据来训练分类模型,然后采用训练得到的分类模型来对剩余部分的图像区域进行分类,获得剩余部分图像区域的分类标签值,进一步降低人工标注的工作量。
具体地,可以获取第一遥感图像中部分图像区域(以下称为第一部分图像区域)的人工标注数据。人工标注数据可以是表示第一部分图像区域中各个区域所属类别的标注数据。例如,人工可以采用标注工具在图像中圈出一部分,为这部分标记类别1,圈出另一部分,为这部分标注类别2。
步骤S102,从所述人工标注数据中提取得到所述第一部分图像区域中各图像单元的分类标签值;
在获取到人工标注数据后,从人工标注数据中提取得到第一部分图像区域中各图像单元的分类标签值。具体地,可以根据人工标注数据中各个区域所属的类别,将该区域的图像单元的分类标签值设置为该区域的类别所对应的分类标签值。例如,一共有4个类别,根据人工标注数据确定某个区域属于第1类别,则将该区域内的各个图像单元的分类标签值都设置为(1,0,0,0),另一个区域属于第2类别,则将该区域内的各个图像单元的分类标签值都设置为(0,2,0,0),依次类推。
步骤S103,采用所述第一部分图像区域以及所述第一部分图像区域中各图像单元的分类标签值训练得到第一图像分类模型;
采用第一部分图像区域以及第一部分图像区域中各图像单元的分类标签值训练得到一个图像分类模型(以下称为第一图像分类模型)。第一图像分类模型可以采用常用的图像语义分割模型,通过训练确定模型中的模型参数,具体训练方法可参照现有的模型训练方法,在此不进行详细赘述。
步骤S104,采用所述第一图像分类模型对所述第一遥感图像中除所述第一部分图像区域外的第二部分图像区域进行分类,得到所述第二部分图像区域中各图像单元的分类标签值。
在训练得到第一图像分类模型后,采用第一图像分类模型对第一遥感图像中除该第一部分图像区域外的第二部分图像区域进行分类,得到第二部分图像区域中各图像单元的分类标签值。至此,获得了第一遥感图像中各个第一图像单元的分类标签值,可以理解的是,其中部分第一图像单元的分类标签值是从人工标注数据中提取得到的,另一部分第一图像单元的分类标签值是采用第一图像分类模型分类得到的,因此,采用第一遥感图像的分类标签值来生成第二遥感图像的分类标签值时,可以只需要对第一遥感图像中的部分图像区域进行人工标注,进一步地降低了人工标注的工作量。
进一步地,在一实施方式中,所述方法还包括:
步骤S70,采用所述第二遥感图像和所述第二遥感图像中各所述第二图像单元的分类标签值训练得到第二图像分类模型。
在得到第二遥感图像中各个第二图像单元的分类标签值后,可以采用第二遥感图像和第二遥感图像中各个第二图像单元的分类标签值训练一个图像分类模型(以下称为第二图像分类模型),第二图像分类模型可以采用常用的图像语义分割模型,通过训练确定模型中的模型参数,具体训练方法可参照现有的模型训练方法,在此不进行详细赘述。
进一步地,在一实施方式中,所述步骤S70包括:
步骤S701,采用所述第二遥感图像和所述第二遥感图像中各所述第二图像单元的分类标签值对预设的待训练图像分类模型进行一轮训练,并检测训练后的待训练图像分类模型的分类准确度相对于训练前的分类准确度是否增加;
为进一步优化采用近似标签值训练第二图像分类模型的训练效果,可以在训练过程中对近似标签值进行调整,以优化近似标签值对模拟真实标签值的状态的拟合程度。
具体地,可以采用第二遥感图像和第二遥感图像中各第二图像单元的分类标签值对预设的待训练图像分类模型进行一轮训练。其中,一轮训练过程中可以是对待训练图像分类模型中的模型参数更新一次或多次,具体训练过程可参照现有的模型训练方法,在本实施例中不进行详细赘述。待训练图像分类模型即需要通过训练确定模型参数的图像分类模型,具体可以采用图像语义分割模型,或其他图像分类模型。
在一轮训练后,检测训练后的待训练图像分类模型的分类准确度相对于本轮训练之前的待训练图像分类模型的分类准确度是否增加。具体地,可以计算训练后的分类准确度和训练前的分类准确度,采用训练后的分类准确度减去训练前的分类准确度,即可确定是否增加。其中,分类准确度可以采用常用的模型分类准确度计算方法,在此不进行详细赘述。
步骤S702,若增加,则按照预设缩小尺度更新所述第二图像单元的分类标签值,以缩小所述第二图像单元的分类标签值与对应的所述第一分类标签值之间的差值;
若训练后的分类准确度相对于训练前的分类准确度增加了,则说明第一遥感图像的分类标签值实际上与第二遥感图像的分类标签值差异比较小,通过将第一遥感图像的分类标签值转换为近似标签值作为第二遥感图像的分类标签值对模型的训练效果有正向的提升作用,因此,可以缩小近似标签值(也即当前第二图像单元的分类标签值)与对应的第一分类标签值之间的差值,以进一步地加大近似标签值对训练效果的正向作用,从而提高模型的分类准确度。具体地,可以按照预设缩小尺度更新第二图像单元的分类标签值,以缩小第二图像单元的分类标签值与对应的第一分类标签值之间的差值。其中,预设缩小尺度可以根据需要进行设置,例如设置为缩小百分之十。例如,原本第二图像单元的分类标签值是0.9,对应的第一分类标签值是1,两者之间的差值为0.1,缩小百分之十即要将两者之间的差值缩小至0.09,那么更新后的第二图像单元的分类标签值为0.91。
在一实施方式中,若训练后的分类准确度相对于训练前的分类准确度减少了,则可以按照一定的增大尺度更新第二图像单元的分类标签值,以增大第二图像单元的分类标签值与对应的第一分类标签值之间的差值。
步骤S703,基于训练后的待训练图像分类模型和更新后的所述第二图像单元的分类标签值,返回执行所述采用所述第二遥感图像和所述第二遥感图像中各所述第二图像单元的分类标签值对预设的待训练图像分类模型进行一轮训练的步骤,直到检测到满足预设迭代停止条件时,将训练后的待训练图像分类模型作为第二图像分类模型。
当更新第二图像单元的分类标签值后,可以基于本轮训练后的待训练图像分类模型和更新后的第二图像单元的分类标签值,返回执行步骤S701,也即再进行下一轮的训练,直到检测到满足预设迭代停止条件时,将训练后的待训练图像分类模型作为第二图像分类模型。其中,预设迭代停止条件可以根据需要进行设置,例如设置为训练轮次达到一定轮次时停止,或训练时长达到一定时长时停止,或训练后的待训练图像分类模型的分类准确度大于一定值时停止,或者待训练图像分类模型的损失函数收敛时停止。
需要说明的是,第一轮训练结束后对第二图像单元的分类标签值进行更新是在初始生成的分类标签值上进行更新,后续的各轮训练结束后对第二图像单元的分类标签值进行更新是前一次更新的分类标签值上进行更新。
进一步地,在一实施方式中,所述步骤S70之后,还包括:
步骤A10,当获取到待分类遥感图像时,获取所述待分类遥感图像的拍摄时期;
在训练得到第一图像分类模型和第二图像分类模型后,可以采用两个模型来对第一时期和第二时期采集的遥感图像进行分类。具体地,当获取到需要分类的遥感图像(以下称为待分类遥感图像)时,可以获取待分类遥感图像的拍摄时期,根据拍摄时期选取对应时期的图像分类模型来对待分类遥感图像进行分类。
步骤A20,当所述拍摄时期为所述第一时期时,采用所述第一图像分类模型对所述待分类遥感图像进行分类,得到所述待分类遥感图像中各图像单元的分类结果;
当拍摄时期为第一时期时,采用第一图像分类模型对待分类遥感图像进行分类,得到待分类遥感图像中各图像单元的分类结果。具体地,可以是将地分类遥感图像输入第一图像分类模型中,经过第一图像分类模型的处理输出得到分类结果。根据分类结果即可知道待分类遥感图像中各个图像单元所属的类别。在具体应用场景中,可以输出分类结果或对分类结果进行处理后输出,以供用户对分类结果进行应用,例如,当分类类别包括植被和非植被时,可以根据分类结果计算得到待分类遥感图像中植被区域的面积,进而计算得到待分类遥感图像对应的地理区域中植被区域的面积,输出该面积,使得用户能够分析该地理区域中植被面积的变化。
步骤A30,当所述拍摄时期为所述第二时期时,采用所述第二图像分类模型对所述待分类遥感图像进行分类,得到所述待分类遥感图像中各图像单元的分类结果。
当拍摄时期为第二时期时,采用第二图像分类模型对待分类遥感图像进行分类,得到待分类遥感图像中各图像单元的分类结果。具体地,可以是将地分类遥感图像输入第二图像分类模型中,经过第二图像分类模型的处理输出得到分类结果。
在本实施例中,通过采用第一遥感图像训练第一图像分类模型,采用第二遥感图像训练第二图像分类模型,对于第一图像分类模型和第二图像分类模型分开训练,分别提高了两个模型的分类效果,从而当对第一时期拍摄的遥感图像采用第一图像分类模型进行分类,对第二时期拍摄的遥感图像采用第二图像分类模型进行分类时,能够提高整体模型的泛化能力。
此外本发明实施例还提出一种标签生成装置,参照图3,所述装置包括:
第一获取模块10,用于获取第一遥感图像中各第一图像单元分别对应的第一分类标签值,其中,所述第一遥感图像是在第一时期对目标地理区域采集得到的遥感图像;
第二获取模块20,用于获取在第二时期对所述目标地理区域采集得到的第二遥感图像;
转换模块30,用于将所述第一图像单元对应的所述第一分类标签值转换为与所述第一分类标签值大小接近的近似标签值,其中,所述近似标签值与所述第一分类标签值之间的差值在预设区间内;
确定模块40,用于将所述近似标签值作为第二图像单元对应的分类标签值,其中,所述第二图像单元是所述第二遥感图像中与所述第一图像单元对应相同地理区域的图像单元。
进一步地,所述第一分类标签值包括各种分类类别分别对应的类别标签值,所述转换模块30包括:
第一转换单元,用于当所述类别标签值为1时,将1减去预设差值得到的结果作为所述类别标签值对应的近似标签值,其中,所述预设差值为所述预设区间的上限值;
第二转换单元,用于当所述类别标签值为0时,采用所述预设差值除以剩余类别数得到的结果作为所述类别标签值对应的近似标签值,其中,所述剩余类别数是为分类类别的总数减去1。
进一步地,所述装置还包括:
计算模块,用于计算所述第一遥感图像和所述第二遥感图像之间在预设图像特征上的特征差异度;
所述确定模块40还用于根据预设的差异度与差值之间的映射关系将所述特征差异度对应的差值作为所述预设差值。
进一步地,所述第一获取模块10包括:
获取单元,用于获取所述第一遥感图像中第一部分图像区域的人工标注数据;
提取单元,用于从所述人工标注数据中提取得到所述第一部分图像区域中各图像单元的分类标签值;
第一训练单元,用于采用所述第一部分图像区域以及所述第一部分图像区域中各图像单元的分类标签值训练得到第一图像分类模型;
分类单元,用于采用所述第一图像分类模型对所述第一遥感图像中除所述第一部分图像区域外的第二部分图像区域进行分类,得到所述第二部分图像区域中各图像单元的分类标签值。
进一步地,所述装置还包括:
训练模块,用于采用所述第二遥感图像和所述第二遥感图像中各所述第二图像单元的分类标签值训练得到第二图像分类模型。
进一步地,所述训练模块包括:
第二训练单元,用于采用所述第二遥感图像和所述第二遥感图像中各所述第二图像单元的分类标签值对预设的待训练图像分类模型进行一轮训练,并检测训练后的待训练图像分类模型的分类准确度相对于训练前的分类准确度是否增加;
更新单元,用于若增加,则按照预设缩小尺度更新所述第二图像单元的分类标签值,以缩小所述第二图像单元的分类标签值与对应的所述第一分类标签值之间的差值;
循环单元,用于基于训练后的待训练图像分类模型和更新后的所述第二图像单元的分类标签值,返回执行所述采用所述第二遥感图像和所述第二遥感图像中各所述第二图像单元的分类标签值对预设的待训练图像分类模型进行一轮训练的步骤,直到检测到满足预设迭代停止条件时,将训练后的待训练图像分类模型作为第二图像分类模型。
进一步地,所述装置还包括:
第三获取模块,用于当获取到待分类遥感图像时,获取所述待分类遥感图像的拍摄时期;
第一分类模块,用于当所述拍摄时期为所述第一时期时,采用所述第一图像分类模型对所述待分类遥感图像进行分类,得到所述待分类遥感图像中各图像单元的分类结果;
第二分类模块,用于当所述拍摄时期为所述第二时期时,采用所述第二图像分类模型对所述待分类遥感图像进行分类,得到所述待分类遥感图像中各图像单元的分类结果。
本发明标签生成装置的具体实施方式的拓展内容与上述标签生成方法各实施例基本相同,在此不做赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述存储介质上存储有标签生成程序,所述标签生成程序被处理器执行时实现如下所述的标签生成方法的步骤。
本发明还提出一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上所述的标签生成方法的步骤。
本发明标签生成设备、计算机可读存储介质和计算机程序产品的各实施例,均可参照本发明标签生成方法各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (11)
1.一种标签生成方法,其特征在于,所述方法应用于标签生成设备,所述方法包括以下步骤:
获取第一遥感图像中各第一图像单元分别对应的第一分类标签值,其中,所述第一遥感图像是在第一时期对目标地理区域采集得到的遥感图像;
获取在第二时期对所述目标地理区域采集得到的第二遥感图像;
将所述第一图像单元对应的所述第一分类标签值转换为与所述第一分类标签值大小接近的近似标签值,其中,所述近似标签值与所述第一分类标签值之间的差值在预设区间内;
将所述近似标签值作为第二图像单元对应的分类标签值,其中,所述第二图像单元是所述第二遥感图像中与所述第一图像单元对应相同地理区域的图像单元。
2.如权利要求1所述的标签生成方法,其特征在于,所述第一分类标签值包括各种分类类别分别对应的类别标签值,所述将所述第一图像单元对应的所述第一分类标签值转换为与所述第一分类标签值大小接近的近似标签值的步骤包括:
当所述类别标签值为1时,将1减去预设差值得到的结果作为所述类别标签值对应的近似标签值,其中,所述预设差值为所述预设区间的上限值;
当所述类别标签值为0时,采用所述预设差值除以剩余类别数得到的结果作为所述类别标签值对应的近似标签值,其中,所述剩余类别数是为分类类别的总数减去1。
3.如权利要求2所述的标签生成方法,其特征在于,所述当所述类别标签值为1时,将1减去预设差值得到的结果作为所述类别标签值对应的近似标签值的步骤之前,还包括:
计算所述第一遥感图像和所述第二遥感图像之间在预设图像特征上的特征差异度;
根据预设的差异度与差值之间的映射关系将所述特征差异度对应的差值作为所述预设差值。
4.如权利要求1至3任一项所述的标签生成方法,其特征在于,所述获取第一遥感图像中各第一图像单元分别对应的第一分类标签值的步骤包括:
获取所述第一遥感图像中第一部分图像区域的人工标注数据;
从所述人工标注数据中提取得到所述第一部分图像区域中各图像单元的分类标签值;
采用所述第一部分图像区域以及所述第一部分图像区域中各图像单元的分类标签值训练得到第一图像分类模型;
采用所述第一图像分类模型对所述第一遥感图像中除所述第一部分图像区域外的第二部分图像区域进行分类,得到所述第二部分图像区域中各图像单元的分类标签值。
5.如权利要求4所述的标签生成方法,其特征在于,所述将所述近似标签值作为第二图像单元对应的分类标签值的步骤之后,还包括:
采用所述第二遥感图像和所述第二遥感图像中各所述第二图像单元的分类标签值训练得到第二图像分类模型。
6.如权利要求5所述的标签生成方法,其特征在于,所述采用所述第二遥感图像和所述第二遥感图像中各所述第二图像单元的分类标签值训练得到第二图像分类模型的步骤包括:
采用所述第二遥感图像和所述第二遥感图像中各所述第二图像单元的分类标签值对预设的待训练图像分类模型进行一轮训练,并检测训练后的待训练图像分类模型的分类准确度相对于训练前的分类准确度是否增加;
若增加,则按照预设缩小尺度更新所述第二图像单元的分类标签值,以缩小所述第二图像单元的分类标签值与对应的所述第一分类标签值之间的差值;
基于训练后的待训练图像分类模型和更新后的所述第二图像单元的分类标签值,返回执行所述采用所述第二遥感图像和所述第二遥感图像中各所述第二图像单元的分类标签值对预设的待训练图像分类模型进行一轮训练的步骤,直到检测到满足预设迭代停止条件时,将训练后的待训练图像分类模型作为第二图像分类模型。
7.如权利要求5所述的标签生成方法,其特征在于,所述采用所述第二遥感图像和所述第二遥感图像中各所述第二图像单元的分类标签值训练得到第二图像分类模型的步骤之后,还包括:
当获取到待分类遥感图像时,获取所述待分类遥感图像的拍摄时期;
当所述拍摄时期为所述第一时期时,采用所述第一图像分类模型对所述待分类遥感图像进行分类,得到所述待分类遥感图像中各图像单元的分类结果;
当所述拍摄时期为所述第二时期时,采用所述第二图像分类模型对所述待分类遥感图像进行分类,得到所述待分类遥感图像中各图像单元的分类结果。
8.一种标签生成装置,其特征在于,所述标签生成装置包括:
第一获取模块,用于获取第一遥感图像中各第一图像单元分别对应的第一分类标签值,其中,所述第一遥感图像是在第一时期对目标地理区域采集得到的遥感图像;
第二获取模块,用于获取在第二时期对所述目标地理区域采集得到的第二遥感图像;
转换模块,用于将所述第一图像单元对应的所述第一分类标签值转换为与所述第一分类标签值大小接近的近似标签值,其中,所述近似标签值与所述第一分类标签值之间的差值在预设区间内;
确定模块,用于将所述近似标签值作为第二图像单元对应的分类标签值,其中,所述第二图像单元是所述第二遥感图像中与所述第一图像单元对应相同地理区域的图像单元。
9.一种标签生成设备,其特征在于,所述标签生成设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的标签生成程序,所述标签生成程序被所述处理器执行时实现如权利要求1至7中任一项所述的标签生成方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有标签生成程序,所述标签生成程序被处理器执行时实现如权利要求1至7中任一项所述的标签生成方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的标签生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110839342.2A CN113505844A (zh) | 2021-07-23 | 2021-07-23 | 标签生成方法、装置、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110839342.2A CN113505844A (zh) | 2021-07-23 | 2021-07-23 | 标签生成方法、装置、设备、存储介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113505844A true CN113505844A (zh) | 2021-10-15 |
Family
ID=78013861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110839342.2A Pending CN113505844A (zh) | 2021-07-23 | 2021-07-23 | 标签生成方法、装置、设备、存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505844A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035406A (zh) * | 2022-06-08 | 2022-09-09 | 中国科学院空间应用工程与技术中心 | 遥感场景数据集的标注方法、系统、存储介质及电子设备 |
-
2021
- 2021-07-23 CN CN202110839342.2A patent/CN113505844A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035406A (zh) * | 2022-06-08 | 2022-09-09 | 中国科学院空间应用工程与技术中心 | 遥感场景数据集的标注方法、系统、存储介质及电子设备 |
CN115035406B (zh) * | 2022-06-08 | 2023-08-04 | 中国科学院空间应用工程与技术中心 | 遥感场景数据集的标注方法、系统、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11210608B2 (en) | Method and apparatus for generating model, method and apparatus for recognizing information | |
CN111012261A (zh) | 基于场景识别的清扫方法、系统、扫地设备及存储介质 | |
CN110379020B (zh) | 一种基于生成对抗网络的激光点云上色方法和装置 | |
US20230334890A1 (en) | Pedestrian re-identification method and device | |
CN108154086B (zh) | 一种图像提取方法、装置及电子设备 | |
KR20200145827A (ko) | 얼굴 특징 추출 모델 학습 방법, 얼굴 특징 추출 방법, 장치, 디바이스 및 저장 매체 | |
CN109389096B (zh) | 检测方法和装置 | |
CN112001274A (zh) | 人群密度确定方法、装置、存储介质和处理器 | |
CN112329751A (zh) | 一种基于深度学习的多尺度遥感影像目标识别系统及方法 | |
CN113778871A (zh) | Mock测试方法、装置、设备及存储介质 | |
CN114332977A (zh) | 关键点检测方法、装置、电子设备及存储介质 | |
CN110986889A (zh) | 一种基于遥感图像技术的高压变电站全景态监测方法 | |
CN113505844A (zh) | 标签生成方法、装置、设备、存储介质及程序产品 | |
US20220391693A1 (en) | Training transformer neural networks to generate parameters of convolutional neural networks | |
CN111026938B (zh) | 时空大数据整合分析方法、装置、设备及存储介质 | |
CN109285160B (zh) | 一种抠像方法与系统 | |
CN114693554B (zh) | 一种大数据图像处理方法及系统 | |
CN111124862B (zh) | 智能设备性能测试方法、装置及智能设备 | |
CN115112661A (zh) | 一种缺陷检测方法、装置、计算机设备和存储介质 | |
CN113255402A (zh) | 动作识别方法、装置以及电子设备 | |
CN111476086A (zh) | 烟火识别方法、装置、计算机设备和可读存储介质 | |
CN115375954B (zh) | 一种化学实验溶液识别方法、装置、设备及可读存储介质 | |
CN112989924B (zh) | 目标检测方法、目标检测装置及终端设备 | |
CN117649358B (zh) | 图像处理方法、装置、设备及存储介质 | |
CN115223035A (zh) | 图像检测方法、装置、设备和存储介质 |
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 |