CN115393368A - 基于元学习的聚落选址环境模式鉴别方法、系统、设备及介质 - Google Patents

基于元学习的聚落选址环境模式鉴别方法、系统、设备及介质 Download PDF

Info

Publication number
CN115393368A
CN115393368A CN202211048909.5A CN202211048909A CN115393368A CN 115393368 A CN115393368 A CN 115393368A CN 202211048909 A CN202211048909 A CN 202211048909A CN 115393368 A CN115393368 A CN 115393368A
Authority
CN
China
Prior art keywords
colony
environment
model
mode
site selection
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
Application number
CN202211048909.5A
Other languages
English (en)
Inventor
孔月萍
薛鹏
王树声
徐玉倩
李小龙
冯晓欢
王佳婧
王凯平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202211048909.5A priority Critical patent/CN115393368A/zh
Publication of CN115393368A publication Critical patent/CN115393368A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于元学习的聚落选址环境模式鉴别方法、系统、设备及介质，包括：获取待鉴别聚落的遥感图像及DEM数据；将待鉴别聚落的遥感图像及DEM数据输入到训练后的聚落地物分割模型中，得聚落的环境地物分布图；将所述聚落的环境地物分布图输入到训练后的聚落选址环境模式鉴别模型中，得该聚落的选址环境模式类型，该方法、系统、设备及存储介质能够在仅提供少量聚落样本的条件下，对传统聚落的选址环境模式进行自动鉴别。

Description

基于元学习的聚落选址环境模式鉴别方法、系统、设备及介质
技术领域
本发明属于机器视觉领域，涉及一种基于元学习的聚落选址环境模式鉴别方法、系统、设备及介质。
背景技术
传统村落是中国农耕文化的历史产物，是人们在特定自然条件下按照一定的组织规律选址、营建而成的生产生活居所，其规模、布局、肌理、结构等形态特征是特定自然规律和经济文化在物质空间上的体现，也是地域性景观与文脉价值的集中载体。不同历史时期和特定地理条件下形成的传统村落反映了其发展过程中的经济、政治、文化等社会因素。然而，在当今城镇化、工业化的时代浪潮下，聚落经济结构、社会生活方式与环境模式均发生了深刻变革与重构，伴随着新村建设、乡村旅游等人为操控的介入，传统村落缓慢有机、自下而上的生长过程与更新过程被打破，在带来发展机遇的同时也不可避免地造成了聚落环境改变、生态失衡、文脉割裂等众多问题。中国的传统村落数量众多、分散广布，呈现出复杂多样的风貌类型，面临着截然不同的保护与发展问题，但当前的村落建设实践却往往因为简单、粗放的管理模式导致千村一面、特色消失等问题。如何科学高效地应对这些问题，使千千万万的传统村落在现代化进程中能传承地域风貌与特色文脉，实现可持续发展，是国内外乡村建设的核心论题。当前，“延续肌理、保护原有环境模式”是聚落规划与设计领域的共识原则与关键策略，规划师与设计师必须在结合不同地域特色的基础上更加科学、定量地认识聚落空间的环境特征，解析不同聚落环境模式的发展规律，为乡村规划实操提供更加高效、智能的分析工具。
对传统聚落的选址环境模式研究在建筑学、城乡规划学、地理学等学科中长期开展，经典的研究方法是定性的现象总结与归纳描述，以聚落周边的环境地物为主要研究对象，结合聚落的地形条件、文化内涵等内外部要素以定性方式对聚落环境模式进行描述归纳，给出人工的划分结果。然而，中国的聚落数量众多，分布很广、很散，不同地域环境下的聚落有着复杂多变的环境风貌和选址模式，运用以上方法开展调查研究需耗费大量时间和专家知识，且研究成果存在一定的地域局限性，难以应对全国范围的建设规划需求。因此，探索新技术、新方法来实现更大范围与更多类别的聚落选址环境模式智能鉴别，是该领域的一项创新性研究挑战。
发明内容
本发明的目的在于克服现有技术的上述缺点，提供一种基于元学习的聚落选址环境模式鉴别方法、系统、设备及介质，该方法、系统、设备及介质能够在仅提供少量聚落样本的条件下，对传统聚落的选址环境模式进行自动鉴别。
为达到上述目的，本发明所述的基于元学习的聚落选址环境模式鉴别方法包括：
获取待鉴别聚落的遥感图像及DEM数据；
将待鉴别聚落的遥感图像及DEM数据输入到训练后的聚落地物分割模型中，得聚落的环境地物分布图；
将所述聚落的环境地物分布图输入到训练后的聚落选址环境模式鉴别模型中，得该聚落的选址环境模式类型。
还包括：
构建聚落环境模式数据集；
构建聚落地物分割模型；
构建聚落选址环境模式鉴别模型；
利用聚落环境模式数据集对聚落地物分割模型进行训练，得训练后的聚落地物分割模型；
利用聚落环境模式数据集对聚落选址环境模式鉴别模型进行训练，得训练后的聚落选址环境模式鉴别模型。
构建聚落环境模式数据集的具体过程为：
利用卫星地图下载全国范围内一定数量的聚落遥感图像R＝{R1,R2,…,Ri,…}及数字高程模型D＝{D1,D2,…,Di,…}，对聚落的选址环境模式类别及其周边的山地、水系、林地、农田、植被和荒地进行手工标记，得环境地物分类标记图G及聚落环境模式类别标签L，再通过遥感图像R、高程模型D、环境地物分类标记图G及聚落环境模式类别标签L构建聚落环境模式数据集。
聚落地物分割模型基于语义分割方式构建而成；
聚落选址环境模式鉴别模型基于元学习方式构建而成。
所述聚落地物分割模型基于deeplab-v3+构成，其中，在主干网络的特征提取部分额外设计一个旁路Eθ，以支持地形特征的语义学习，最后将地物与地形特征相融合，送入分类器中进行聚落及其周边的环境地物分割，其中，Deeplab-v3+为语义分割网络模型。
所述聚落选址环境模式鉴别模型由一个ResNet12构成的编码器fθ及一个元学习分类器
Figure BDA0003823051260000031
组成，且聚落选址环境模式鉴别模型的训练过程划分为全分类训练阶段及元训练阶段，其中，所述编码器fθ为由ResNet12构成的编码器。
本发明所述的聚落选址环境模式鉴别系统包括：
获取模块，用于获取待鉴别聚落的遥感图像及DEM数据；
第一计算模块，用于将待鉴别聚落的遥感图像及DEM数据输入到训练后的聚落地物分割模型中，得聚落的环境地物分布图；
第二计算模块，用于将所述聚落的环境地物分布图输入到训练后的聚落选址环境模式鉴别模型中，得该聚落的选址环境模式类型。
还包括：
第一构建模块，用于构建聚落环境模式数据集；
第二构建模块，用于构建聚落地物分割模型；
第三构建模块，用于构建聚落选址环境模式鉴别模型；
第一训练模块，用于利用聚落环境模式数据集对聚落地物分割模型进行训练，得训练后的聚落地物分割模型；
第二训练模块，用于利用聚落环境模式数据集对聚落选址环境模式鉴别模型进行训练，得训练后的聚落选址环境模式鉴别模型。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述聚落选址环境模式鉴别方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述聚落选址环境模式鉴别方法的步骤。
本发明具有以下有益效果：
本发明所述的基于元学习的聚落选址环境模式鉴别方法、系统、设备及介质在具体操作时，将待鉴别聚落的遥感图像及DEM数据输入到训练后的聚落地物分割模型中，得聚落的环境地物分布图，将所述聚落的环境地物分布图输入到训练后的聚落选址环境模式鉴别模型中，得该聚落的选址环境模式类型，以实现对传统聚落的选址环境模式进行自动鉴别，另外，本发明采用聚落地物分割模型及聚落选址环境模式鉴别模型，在鉴别过程中，只需要少量聚落样本即可。
进一步，本发明直接利用聚落环境模式数据集训练聚落地物分割模型VOSM及选址环境模式鉴别模型VPRM；在此基础上将待鉴别聚落的遥感图像与高程数据送入VOSM模型，得聚落的环境地物分布图；然后将聚落的环境地物分布图输入到选址环境模式鉴别模型VPRM中进行模式的识别，能够在仅提供支持集的条件下，对未训练类型的聚落进行环境模式鉴别，具有较好的鉴别鲁棒性，避免将鉴别模型应用到其他未知地区时还需重新构建数据集、训练模型的问题，为聚落的选址模式分析提供了科学、高效的智能化工具。
附图说明
图1为聚落环境地物分割模型VOSM结构框架图；
图2为聚落环境模式鉴别模型VPRM结构框架图；
图3为聚落环境模式鉴别模型VPRM的训练流图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，不是全部的实施例，而并非要限制本发明公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要的混淆本发明公开的概念。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
在附图中示出了根据本发明公开实施例的结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
参考图1、图2及图3，本发明所述的基于元学习的聚落选址环境模式鉴别方法包括以下步骤：
1)利用91卫星地图下载全国范围内传统村落(以下简称聚落)的遥感图像R＝{R1，R2，…，Ri，…}及数字高程模型D＝{D1,D2,...，Di，...}(以下简称DEM数据)，对聚落的选址环境模式类别及其周边的山地、水系、林地、农田、植被和荒地进行手工标记，得环境地物分类标记图G及聚落环境模式类别标签L，通过遥感图像R、高程模型D、环境地物分类标记图G及聚落环境模式类别标签L构建聚落环境模式数据集；
2)构建基于语义分割的聚落地物分割模型(Village Object SegmentationModel，以下简称VOSM)，利用步骤1)构建的聚落环境模式数据集对聚落地物分割模型进行训练；
经试验，将聚落环境模式数据集按照7:2:1的数量关系划分为训练集、验证集和测试集，再以此对聚落地物分割模型进行训练，得到的环境地物的识别结果如表1所示。
表1
Figure BDA0003823051260000051
3)构建基于元学习的聚落选址环境模式鉴别模型(Village PatternsRecognition Model based on Meta-learning，以下简称VPRM)；
4)利用步骤1)构建的聚落环境模式数据集对聚落选址环境模式鉴别模型进行训练；
经试验，将聚落环境模式数据集按照7:2:1的数量关系划分为训练集、验证集和测试集，再以此对聚落选址环境模式鉴别模型进行训练，训练后聚落选址环境模式鉴别模型VPRM的实验结果如表2所示。
表2
Figure BDA0003823051260000052
5)将获取得到的待鉴别聚落的遥感图像及DEM数据输入到训练后的聚落地物分割模型中，得聚落的环境地物分布图，再将所述聚落的环境地物分布图输入到训练后的聚落选址环境模式鉴别模型中，得到该聚落的选址环境模式类型。
具体的，步骤1)的具体操作为：
利用住房与城乡建设部发布的《中国传统村落名录》，选择其中的代表性典型案例在91卫星地图中下载聚落及其周边的天地(遥感)图及DEM数据。其中，遥感图像的精度选0.53米、尺度选2560*2560像素，DEM数据的精度选8.5米、尺度选160*160格网，并将遥感图像与DEM数据进行坐标对齐，随后，使用手工方式标记出聚落、山地、水系、林地、农田及荒地的地物分布图Gi以及聚落环境模式类别标签Li，然后构建聚落环境模式数据集。
其中，以聚落的遥感图像与DEM数据为基础，使用labelme语义分割标注程序，以手工方式标记出聚落、山地、水系、林地、农田及荒地的六类环境地物的所在区域，以形成聚落的环境地物分布标注图Gi。
另外，聚落的选址环境模式分析侧重于山、水、林及田等自然资源与人工建筑居住区之间的平面位置和空间关系，城乡规划专业人士对《中国传统村落名录》中的代表性典型聚落进行了实地调查和研究分析，给出山环水绕型、山地型、平原型、沿河型及依山型等五大类选址环境模式的划分原则。因此，利用遥感图像及DEM数据中标注出典型案例聚落的6类环境地物分布图，再赋以城乡规划专业人士分析、确定选址环境模式类别标签，再由遥感图像Ri、高程模型Di、环境地物分布标注图Gi及环境模式类别标签Li组成的聚落环境模式样本，如此操作生成《中国传统村落名录》中五大类聚落的聚落环境模式数据集。
步骤2)的具体操作为：
采用多模态语义分割方式建立聚落地物分割模型VOSM，其主体结构基于deeplab-v3+，但在主干网络的特征提取部分增加一个旁路Eθ，支持山地等地形特征的语义学习，最后将地物与地形特征相融合，送入分类器中进行聚落及其周边的环境地物分割，其具体结构如图1所示。
需要说明的是，Deeplab-v3+为一个语义分割网络模型，它利用编解码结构与空洞空间卷积池化金字塔(ASPP)相结合，达到精细化地物分割的目的，在PASCAL视觉对象类数据集中的平均交并比(MIoU)达到89％，具有高效、准确和简单的优点。本发明所用的Deeplab-v3+网络模型的主干特征提取网络为ResNet-50，共有4个layer层，将第一个layer层的输出作为低层特征送入1×1卷积调整通道后，再送入后续模块中进行特征融合，将最后一个layer层的输出作为高层特征送入ASPP模块。
另外，Eθ使用3个卷积层来提取输入数据中的地形特征，将卷积层-3的输出作为地形特征送入1×1卷积调整通道中，然后送入后续模块进行特征融合。
具体的，步骤3)的具体操作为：
采用元学习方式构建聚落选址环境模式鉴别模型VPRM，所述聚落选址环境模式鉴别模型由一个ResNet12构成的编码器fθ及一个元学习分类器
Figure BDA0003823051260000061
组成，输入数据为支持集Si及查询集Qi，输出为查询集数据所对应的聚落环境模式。Si与Qi由聚落环境图G构成，在进入网络前，G被缩放为256×256的大小，通过fθ得到512维的特征向量V，V被送入分类器
Figure BDA0003823051260000071
中，与Si的中心进行相似度度量，其相似度最大者即为该环境模式的鉴别结果。所述分类器
Figure BDA0003823051260000072
以度量学习的方式计算输入特征属于每类选址环境模式的概率，选用余弦相似度函数来评判查询集特征与支持集中心之间的距离，VPRM的具体结构如图2所示。
具体的，步骤4)的具体操作为：
将聚落选址环境模式鉴别模型VPRM的训练过程划分为全分类训练及元训练两个阶段，如图3所示。在全分类训练阶段，利用所有聚落选址环境模式的基类数据Dbase进行全分类训练，并移除最后的分类器C，得编码器fθ，所述编码器fθ用来将输入数据映射到特征空间。在元训练阶段，将基类数据Dbase划分为一系列的episodes(支持集和查询集的划分方案)，其中，每个episode视为一个N类别-K样本的分类任务Ti；对每个episode，查询集特征与支持集特征的均值进行余弦相似度度量，通过最小化查询集中的N路预测损失来优化VPRM鉴别模型的参数，得训练后的VPRM模型，最后，利用测试集中未训练的多组episodes进行模型的鉴别性能评估。
需要说明的是，所述编码器fθ为由ResNet12构成的编码器，输入为聚落的环境地物分布图G，输出为512维的特征向量V。
另外，对于N类别K样本的分类任务Ti，在小样本学习中，一个模型通常在一组N类别-K样本的分类任务上进行训练，表示为
Figure BDA0003823051260000073
也被看作为一系列episodes。具体的，每个episide都包含支持集
Figure BDA0003823051260000074
及查询集
Figure BDA0003823051260000075
的划分方案，其中，支持集
Figure BDA0003823051260000076
包含N个不同的类别，每个类别中均有K个已标记样本，
Figure BDA0003823051260000077
由N×K个用于训练的样本组成；查询集
Figure BDA0003823051260000078
拥有相同的N个类别，每个类别都有
Figure BDA0003823051260000079
个未标记的样本有待鉴别其类型，在训练和测试阶段中，episodes通常以相同的方式构建。
对于支持集
Figure BDA00038230512600000710
与查询集
Figure BDA00038230512600000711
在元学习中，VPRM分类模型需要在多个任务上进行训练，每个任务中的训练集称为支持集，测试集称为查询集。支持集
Figure BDA00038230512600000712
为从基类中提取少量样本构成，每个任务中的支持集都包含N个类别，每个类别有K个样本，使用N个类别的平均特征Wc作为其质心，质心的计算方法如式(1)所示。
对于度量模块，在基于相似性度量的元学习方法中，特征编码器通过支持样本与查询样本之间的相似度度量进行优化，给定一个支持集为S的小样本分类任务，Sc为支持集样本，则按式(1)计算平均表征wc作为类别c的中心点。
Figure BDA0003823051260000081
对于小样本分类中的查询样本x，根据样本x经fθ后的特征向量V与c类中心点之间的余弦相似度，预测样本x属于c类的概率，其计算方法如式(2)。
Figure BDA0003823051260000082
具体的，步骤5)的具体操作为：
对于选址环境模式待鉴别的聚落，首先下载其遥感图像R及DEM数据D，送入训练后的聚落地物分割模型VOSM，得从多源数据中识别出的聚落环境地物分布图G，再将聚落环境地物分布图G送入训练后的选址环境模式鉴别模型VPRM中，得该聚落的选址环境模式类别结果。
实施例二
本发明所述的聚落选址环境模式鉴别系统包括：
获取模块，用于获取待鉴别聚落的遥感图像及DEM数据；
第一计算模块，用于将待鉴别聚落的遥感图像及DEM数据输入到训练后的聚落地物分割模型中，得聚落的环境地物分布图；
第二计算模块，用于将所述聚落的环境地物分布图输入到训练后的聚落选址环境模式鉴别模型中，得该聚落的选址环境模式类型。
还包括：
第一构建模块，用于构建聚落环境模式数据集；
第二构建模块，用于构建聚落地物分割模型；
第三构建模块，用于构建聚落选址环境模式鉴别模型；
第一训练模块，用于利用聚落环境模式数据集对聚落地物分割模型进行训练，得训练后的聚落地物分割模型；
第二训练模块，用于利用聚落环境模式数据集对聚落选址环境模式鉴别模型进行训练，得训练后的聚落选址环境模式鉴别模型。
本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本申请各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
实施例三
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述聚落选址环境模式鉴别方法的步骤，其中，所述存储器可能包含内存，例如高速随机存储器，也可能还包括非易失性存储器，例如，至少一个磁盘存储器等；处理器、网络接口、存储器通过内部总线互相连接，该内部总线可以是工业标准体系结构总线、外设部件互连标准总线、扩展工业标准结构总线等，总线可以分为地址总线、数据总线、控制总线等。存储器用于存放程序，具体地，程序可以包括程序代码、所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
实施例四
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述聚落选址环境模式鉴别方法的步骤，具体地，所述计算机可读存储介质包括但不限于例如易失性存储器和/或非易失性存储器。所述易失性存储器可以包括随机存储存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器可以包括只读存储器(ROM)、硬盘、闪存、光盘、磁盘等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于元学习的聚落选址环境模式鉴别方法，其特征在于，包括：
获取待鉴别聚落的遥感图像及数字高程模型；
将待鉴别聚落的遥感图像及DEM数据输入到训练后的聚落地物分割模型中，得聚落的环境地物分布图；
将所述聚落的环境地物分布图输入到训练后的聚落选址环境模式鉴别模型中，得该聚落的选址环境模式类型。
2.根据权利要求1所述的基于元学习的聚落选址环境模式鉴别方法，其特征在于，还包括：
构建聚落环境模式数据集；
构建聚落地物分割模型；
构建聚落选址环境模式鉴别模型；
利用聚落环境模式数据集对聚落地物分割模型进行训练，得训练后的聚落地物分割模型；
利用聚落环境模式数据集对聚落选址环境模式鉴别模型进行训练，得训练后的聚落选址环境模式鉴别模型。
3.根据权利要求1所述的基于元学习的聚落选址环境模式鉴别方法，其特征在于，构建聚落环境模式数据集的具体过程为：
利用卫星地图下载全国范围内聚落遥感图像R＝{R1,R2,…,Ri,…}及数字高程模型D＝{D1,D2,…,Di,…}，对聚落的选址环境模式类别及其周边的山地、水系、林地、农田、植被和荒地进行手工标记，得环境地物分类标记图G及聚落环境模式类别标签L，再通过遥感图像R、高程模型D、环境地物分类标记图G及聚落环境模式类别标签L构建聚落环境模式数据集。
4.根据权利要求1所述的基于元学习的聚落选址环境模式鉴别方法，其特征在于，聚落地物分割模型基于语义分割方式构建而成；
聚落选址环境模式鉴别模型基于元学习方式构建而成。
5.根据权利要求1所述的基于元学习的聚落选址环境模式鉴别方法，其特征在于，所述聚落地物分割模型基于deeplab-v3+构成，但需在主干网络的特征提取部分额外设计一个旁路Eθ，以支持地形特征的语义学习，最后将地物与地形多模态特征相融合，送入分类器中进行聚落及其周边的环境地物分割，以构造的多模态聚落地物语义分割网络模型命名为聚落地物分割模型。
6.根据权利要求1所述的基于元学习的聚落选址环境模式鉴别方法，其特征在于，所述聚落选址环境模式鉴别模型由一个ResNet12构成的编码器fθ及一个元学习分类器
Figure FDA0003823051250000021
组成，且聚落选址环境模式鉴别模型的训练过程划分为全分类训练阶段及元训练阶段，其中，所述编码器fθ为由ResNet12构成的编码器。
7.一种基于元学习的聚落选址环境模式鉴别系统，其特征在于，包括：
获取模块，用于获取待鉴别聚落的遥感图像及DEM数据；
第一计算模块，用于将待鉴别聚落的遥感图像及DEM数据输入到训练后的聚落地物分割模型中，得聚落的环境地物分布图；
第二计算模块，用于将所述聚落的环境地物分布图输入到训练后的聚落选址环境模式鉴别模型中，得该聚落的选址环境模式类型。
8.根据权利要求1所述的基于元学习的聚落选址环境模式鉴别系统，其特征在于，还包括：
第一构建模块，用于构建聚落环境模式数据集；
第二构建模块，用于构建聚落地物分割模型；
第三构建模块，用于构建聚落选址环境模式鉴别模型；
第一训练模块，用于利用聚落环境模式数据集对聚落地物分割模型进行训练，得训练后的聚落地物分割模型；
第二训练模块，用于利用聚落环境模式数据集对聚落选址环境模式鉴别模型进行训练，得训练后的聚落选址环境模式鉴别模型。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6任一项所述基于元学习的聚落选址环境模式鉴别方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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1-6任一项所述基于元学习的聚落选址环境模式鉴别方法的步骤。
CN202211048909.5A 2022-08-30 2022-08-30 基于元学习的聚落选址环境模式鉴别方法、系统、设备及介质 Pending CN115393368A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211048909.5A CN115393368A (zh) 2022-08-30 2022-08-30 基于元学习的聚落选址环境模式鉴别方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211048909.5A CN115393368A (zh) 2022-08-30 2022-08-30 基于元学习的聚落选址环境模式鉴别方法、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN115393368A true CN115393368A (zh) 2022-11-25

Family

ID=84125480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211048909.5A Pending CN115393368A (zh) 2022-08-30 2022-08-30 基于元学习的聚落选址环境模式鉴别方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN115393368A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116597167A (zh) * 2023-06-06 2023-08-15 中国人民解放军92942部队 一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116597167A (zh) * 2023-06-06 2023-08-15 中国人民解放军92942部队 一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统
CN116597167B (zh) * 2023-06-06 2024-02-27 中国人民解放军92942部队 一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统

Similar Documents

Publication Publication Date Title
CN113011427B (zh) 基于自监督对比学习的遥感图像语义分割方法
CN108647738B (zh) 基于多指数的全球尺度遥感影像水体智能提取方法
CN101271526B (zh) 一种图像处理中物体自动识别并三维重建的方法
CN113223042B (zh) 一种遥感影像深度学习样本智能采集方法及设备
CN112183416A (zh) 一种基于深度学习方法的新增建设用地自动提取方法
CN113792667A (zh) 基于三维遥感影像进行村镇建筑性质自动分类方法及装置
CN113505842A (zh) 一种适用于大尺度区域遥感影像城市建筑物自动提取方法
CN112528639A (zh) 对象识别方法和装置、存储介质及电子设备
CN116129262A (zh) 一种面向宜机化改造的耕地适宜性评价方法及系统
CN116993555A (zh) 国土空间规划重点区域识别的分区方法、系统及存储介质
CN115393368A (zh) 基于元学习的聚落选址环境模式鉴别方法、系统、设备及介质
Hui et al. Classification of wetland from TM imageries based on decision tree
CN115830469A (zh) 基于多模态特征融合的滑坡与周边地物识别方法及系统
CN113610165A (zh) 基于多源高维特征的城市土地利用分类确定方法和系统
CN107993242A (zh) 基于机载LiDAR点云数据缺失区域边界提取方法
CN115661670B (zh) 一种城乡自然景观梯度上过渡区识别方法及装置
CN116503750A (zh) 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及系统
Chen et al. Sparkpr: An Efficient Parallel Inversion of Forest Canopy Closure
CN115984689A (zh) 一种多尺度地表复杂性特征提取及其土地利用分割方法
CN115391565A (zh) 一种地表覆盖时空变化的知识图谱构建方法、装置及设备
CN113610294A (zh) 一种中小城市色彩规划方法、存储介质和装置
Hu et al. GBSS: a global building semantic segmentation dataset for large-scale remote sensing building extraction
CN113205543A (zh) 一种基于机器学习的激光雷达点云树干提取方法
CN117787813B (zh) 基于细粒度特征约束的城中村识别方法、装置及电子设备
Wang et al. Lightweight land cover classification via semantic segmentation of remote sensing imagery and analysis of influencing factors

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