CN116385888A - 解译标志确定方法和装置、电子设备和存储介质 - Google Patents
解译标志确定方法和装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116385888A CN116385888A CN202310657617.XA CN202310657617A CN116385888A CN 116385888 A CN116385888 A CN 116385888A CN 202310657617 A CN202310657617 A CN 202310657617A CN 116385888 A CN116385888 A CN 116385888A
- Authority
- CN
- China
- Prior art keywords
- interpretation
- training data
- interpretation mark
- remote sensing
- mark
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 130
- 238000002372 labelling Methods 0.000 claims abstract description 65
- 230000015654 memory Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 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
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种解译标志确定方法和装置、电子设备和存储介质,涉及图像识别技术领域,其中,方法包括:确定各条训练数据的预测解译标志信息;根据解译标志标注信息和预测解译标志信息,确定损失值;基于损失值对初始解译标志预测模型进行训练,直至满足预设训练结束条件,得到解译标志预测模型;根据待处理的遥感图像和解译标志预测模型,预测待处理的遥感图像的解译标志。本发明通过由多条包括遥感图像和解译标注信息的训练数据构成的训练数据集训练初始解译标志预测模型,得到解译标志预测模型,利用解译标志预测模型强大的学习能力,可以高效准确的得到不同待处理的遥感图像的解译标志,解决现有技术中解译标志获取效率低的问题。
Description
技术领域
本发明涉及标志确定技术、图像识别技术,尤其是一种解译标志确定方法和装置、电子设备和存储介质。
背景技术
解译标志指在遥感图像上能反映和判别地物或现象的影像特征。它是解译者在对目标地物各种解译要素综合分析的基础上,结合成像时间、季节、图像的种类、比例尺等多种因素整理出来的目标地物在图像上的综合特征。解译标志被广泛应用于生态研究、地貌分析等领域。如何高效的确定遥感图像中的解译标志是一个亟待解决的问题。
发明内容
本发明实施例提供一种解译标志确定方法和装置、电子设备和存储介质,以解决上述问题。
本发明实施例的一个方面,提供了一种解译标志确定方法,包括:获取训练数据集,其中,所述训练数据集包括多条训练数据,针对所述多条训练数据中的各条训练数据,所述训练数据包括:遥感图像和解译标志标注信息;根据所述各条训练数据和初始解译标志预测模型,确定所述各条训练数据的预测解译标志信息;根据所述各条训练数据的解译标志标注信息和预测解译标志信息,确定损失值;基于所述损失值对所述初始解译标志预测模型进行训练,直至满足预设训练结束条件,得到解译标志预测模型;获取待处理的遥感图像;根据所述待处理的遥感图像和所述解译标志预测模型,预测所述待处理的遥感图像的解译标志。
可选地,在本发明上述任一实施例的方法中,所述获取训练数据集,包括:获取多张遥感图像;针对多张遥感图像中的各张遥感图像,将所述遥感图像中的解译目标物对应的解译标志标注信息标注到所述遥感图像中,得到所述训练数据;由多条训练数据得到所述获取训练数据集。
可选地,在本发明上述任一实施例的方法中,所述将所述遥感图像中的解译目标物对应的解译标志标注信息标注到所述遥感图像中,得到所述训练数据,包括:确定所述遥感图像中的解译目标物;根据预设解译目标物与解译标志标注信息之间的对应关系表,确定所述解译目标物对应的解译标志标注信息;将所述解译目标物对应的解译标志标注信息标注到所述遥感图像中,得到所述训练数据。
可选地,在本发明上述任一实施例的方法中,所述根据所述各条训练数据和初始解译标志预测模型,确定所述各条训练数据的预测解译标志信息,包括:将所述各条训练数据依次输入初始解译标志预测模型,经所述初始解译标志预测模型输出所述各条训练数据的预测解译标志信息。
可选地,在本发明上述任一实施例的方法中,所述根据所述各条训练数据的解译标志标注信息和预测解译标志信息,确定损失值,包括:基于预设损失函数,根据所述各条训练数据的解译标志标注信息和预测解译标志信息,确定损失值。
本发明实施例的另一个方面,提供了一种解译标志确定装置,包括:第一获取模块,用于获取训练数据集,其中,所述训练数据集包括多条训练数据,针对所述多条训练数据中的各条训练数据,所述训练数据包括:遥感图像和解译标志标注信息;第一确定模块,用于根据所述各条训练数据和初始解译标志预测模型,确定所述各条训练数据的预测解译标志信息;第二确定模块,根据所述各条训练数据的解译标志标注信息和预测解译标志信息,确定损失值;训练模块,用于基于所述损失值对所述初始解译标志预测模型进行训练,直至满足预设训练结束条件,得到解译标志预测模型;第二获取模块,用于获取待处理的遥感图像;预测模块,用于根据所述待处理的遥感图像和所述解译标志预测模型,预测所述待处理的遥感图像的解译标志。
可选地,在本发明上述任一实施例的装置中,所述第一获取模块还用于:获取多张遥感图像;针对多张遥感图像中的各张遥感图像,将所述遥感图像中的解译目标物对应的解译标志标注信息标注到所述遥感图像中,得到所述训练数据;由多条训练数据得到所述获取训练数据集。
可选地,在本发明上述任一实施例的装置中,所述将所述遥感图像中的解译目标物对应的解译标志标注信息标注到所述遥感图像中,得到所述训练数据,包括:确定所述遥感图像中的解译目标物;根据预设解译目标物与解译标志标注信息之间的对应关系表,确定所述解译目标物对应的解译标志标注信息;将所述解译目标物对应的解译标志标注信息标注到所述遥感图像中,得到所述训练数据。
本发明实施例的又一个方面,提供了一种电子设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述存储器中存储的计算机程序,且所述计算机程序被执行时,实现上述的解译标志确定方法。
本发明实施例的再一个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现上述的解译标志确定方法。
本发明实施例提供了一种解译标志确定方法和装置、电子设备和存储介质。本发明实施例中,通过由多条包括遥感图像和解译标注信息的训练数据构成的训练数据集训练初始解译标志预测模型,得到解译标志预测模型,利用解译标志预测模型强大的学习能力,可以高效准确的得到不同待处理的遥感图像的解译标志。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
构成说明书的一部分的附图描述了本发明的实施例,并且连同描述一起用于解释本发明的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本发明,其中:
图1为本发明实施例的解译标志确定方法的一个实施例的流程图;
图2为本发明实施例的步骤S110的流程图;
图3为本发明实施例的解译标志确定装置的一个实施例的结构示意图;
图4本发明电子设备一个应用实施例的结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
图1是本发明一示例性实施例提供的解译标志确定方法的流程示意图。本实施例可应用在电子设备上,如图1所示,包括如下步骤:
步骤S110,获取训练数据集。
其中,该训练数据集包括:多条训练数据。针对多条训练数据中的各条训练数据,每条训练数据包括:遥感图像和解译标志标注信息。解译标志标注信息可以包括:解译标志。解译标志的形式可以为颜色、形状、图案或文字等。
遥感影像(Remote Sensing Image,RS)是指记录各种地物电磁波大小的胶片或照片,主要分为航空像片和卫星相片。本发明实施例中的遥感图像可以通过图像扫描仪等进行模/数(A/D)转换为数字图像。
步骤S120,根据各条训练数据和初始解译标志预测模型,确定各条训练数据的预测解译标志信息。
其中,初始解译标志预测模型可以为神经网络。示例性的,初始解译标志预测模型可以为卷积神经网络(Convolutional Neural Networks,CNN)、空间卷积神经网络(Spatial Convolutional Neural Networks,SCNN)、循环神经网络(Recurrent NeuralNetwork,RNN)、长短记忆网络(Long Short-Term MemoryLSTM)等。
具体地,将各条训练数据依次输入初始解译标志预测模型,经初始解译标志预测模型输出各条训练数据的预测解译标志信息。
步骤S130,根据各条训练数据的解译标志标注信息和预测解译标志信息,确定损失值。
具体地,基于预设损失函数,根据各条训练数据的解译标志标注信息和预测解译标志信息,确定损失值。
在一种实施方式中,预设损失函数可以采用任意的损失函数,例如,预设损失函数可以为交叉熵误差函数、均方误差函数等。
步骤S140,基于损失值对初始解译标志预测模型进行训练,直至满足预设训练结束条件,得到解译标志预测模型。
其中,可以通过调整初始解译标志预测模型的参数使损失值减小,以使初始解译标志预测模型满足预设训练结束条件。对初始解译标志预测模型的参数的调整可以采用任意可以实施的参数优化器实现。例如,参数优化器可以为随机梯度下降 (StochasticGradient Descent,SGD),自适应矩估计(Adaptive Moment Estimation,Adam),均方根(Root Mean Square Prop ,RMSprop)等。示例性的,利用参数优化器计算初始解译标志预测模型的各参数的梯度,梯度表示损失值减小最多的方向,将各参数沿梯度方向进行调整,重复上述步骤,直至损失值不在下降,确定满足预设训练结束条件,获得解译标志预测模型。
步骤S150,获取待处理的遥感图像。
其中,可以通过图像扫描仪等进行模/数(A/D)转换的方式将待处理的遥感图像转换为数字图像。
步骤S160,根据待处理的遥感图像和解译标志预测模型,预测待处理的遥感图像的解译标志。
其中,可以将待处理的遥感图像输入解译标志预测模型,经解译标志预测模型输出各条训练数据的预测解译标志信息。
本发明实施例中,通过由多条包括遥感图像和解译标注信息的训练数据构成的训练数据集训练初始解译标志预测模型,得到解译标志预测模型,利用解译标志预测模型强大的学习能力,可以高效准确的得到不同待处理的遥感图像的解译标志。
在一个可选示例中,如图2所示,本发明实施例中的步骤S110还包括如下步骤:
步骤S111,获取多张遥感图像。
其中,可以通过图像扫描仪等进行模/数(A/D)转换的方式将各张遥感图像转换为数字图像。
步骤S112,针对多张遥感图像中的各张遥感图像,将遥感图像中的解译目标物对应的解译标志标注信息标注到该遥感图像中,得到训练数据。
具体的,确定遥感图像中的解译目标物;根据预设解译目标物与解译标志标注信息之间的对应关系表,确定解译目标物对应的解译标志标注信息;将解译目标物对应的解译标志标注信息标注到所述遥感图像中,得到训练数据。
其中,解译目标物可以根据需求设置,例如,解译目标物可以为耕地、草地、矿区、工厂、山脉、胡泊等。
预设解译目标物与解译标志标注信息之间的对应关系表可以包括:多条解译目标物与解译标志标注信息之间的对应关系。例如,以解译标志的形式为颜色为例,耕地(解译目标物)与解译标志标注信息之间的对应关系中,耕地对应的解译标志信息中的解译标志为红色;草地(解译目标物)与解译标志标注信息之间的对应关系中,草地对应的解译标志信息中的解译标志为浅绿色。可以查询解译目标物在预设解译目标物与标志解译标注信息之间的对应关系表中所对应的标志解译标注信息,并将该标志解译标注信息确定为解译目标物对应的标志解译标注信息。
可以通过人工或图像识别技术确定遥感图像中的解译目标物。例如,通过图像识别技术确定遥感图像中的解译目标物可以为:可以利用预先训练好的用于识别解译目标物的卷积神经网络,确定遥感图像中的解译目标物。
可以通过标注软件,将解译目标物对应的解译标志标注信息标注到遥感图像中,例如,标注软件可以为labelimg等。
步骤S113,由多条训练数据得到获取训练数据集。
图3是本发明一个实施例中解译标志确定装置的结构框图。如图3所示,解译标志确定装置包括:
第一获取模块210,用于获取训练数据集,其中,所述训练数据集包括多条训练数据,针对所述多条训练数据中的各条训练数据,所述训练数据包括:遥感图像和解译标志标注信息;
第一确定模块220,用于根据所述各条训练数据和初始解译标志预测模型,确定所述各条训练数据的预测解译标志信息;
第二确定模块230,根据所述各条训练数据的解译标志标注信息和预测解译标志信息,确定损失值;
训练模块240,用于基于所述损失值对所述初始解译标志预测模型进行训练,直至满足预设训练结束条件,得到解译标志预测模型;
第二获取模块250,用于获取待处理的遥感图像;
预测模块260,用于根据所述待处理的遥感图像和所述解译标志预测模型,预测所述待处理的遥感图像的解译标志。
在本发明一个实施例中,所述第一获取模块210还用于:
获取多张遥感图像;
针对多张遥感图像中的各张遥感图像,将所述遥感图像中的解译目标物对应的解译标志标注信息标注到所述遥感图像中,得到所述训练数据;
由多条训练数据得到所述获取训练数据集。
在本发明一个实施例中,所述将所述遥感图像中的解译目标物对应的解译标志标注信息标注到所述遥感图像中,得到所述训练数据,包括:
确定所述遥感图像中的解译目标物;
根据预设解译目标物与解译标志标注信息之间的对应关系表,确定所述解译目标物对应的解译标志标注信息;
将所述解译目标物对应的解译标志标注信息标注到所述遥感图像中,得到所述训练数据。
在本发明一个实施例中,所述第一确定模块220还利用于:
将所述各条训练数据依次输入初始解译标志预测模型,经所述初始解译标志预测模型输出所述各条训练数据的预测解译标志信息。
在本发明一个实施例中,所述第二确定模块230还用于:
基于预设损失函数,根据所述各条训练数据的解译标志标注信息和预测解译标志信息,确定损失值。
另外,本发明实施例还提供了一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述存储器中存储的计算机程序,且所述计算机程序被执行时,实现本发明上述任一实施例所述的解译标志确定方法。
图4为本发明电子设备一个应用实施例的结构示意图。下面,参考图4来描述根据本发明实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备,该单机设备可以与第一设备和第二设备进行通信,以从它们接收所采集到的输入信号。
如图4所示,电子设备包括一个或多个处理器和存储器。
处理器可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备中的其他组件以执行期望的功能。
存储器可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器可以运行所述程序指令,以实现上文所述的本发明的各个实施例的解译标志确定方法以及/或者其他期望的功能。
在一个示例中,电子设备还可以包括:输入装置和输出装置,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
此外,该输入装置还可以包括例如键盘、鼠标等等。
该输出装置可以向外部输出各种信息,包括确定出的距离信息、方向信息等。该输出装置可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图4中仅示出了该电子设备中与本发明有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备还可以包括任何其他适当的组件。
除了上述方法和设备以外,本发明的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述部分中描述的根据本发明各种实施例的解译标志确定方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本发明的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述部分中描述的根据本发明各种实施例的解译标志确定方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上结合具体实施例描述了本发明的基本原理,但是,需要指出的是,在本发明中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本发明为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
Claims (10)
1.一种解译标志确定方法,其特征在于,包括:
获取训练数据集,其中,所述训练数据集包括多条训练数据,针对所述多条训练数据中的各条训练数据,所述训练数据包括:遥感图像和解译标志标注信息;
根据所述各条训练数据和初始解译标志预测模型,确定所述各条训练数据的预测解译标志信息;
根据所述各条训练数据的解译标志标注信息和预测解译标志信息,确定损失值;
基于所述损失值对所述初始解译标志预测模型进行训练,直至满足预设训练结束条件,得到解译标志预测模型;
获取待处理的遥感图像;
根据所述待处理的遥感图像和所述解译标志预测模型,预测所述待处理的遥感图像的解译标志。
2.根据权利要求1所述的方法,其特征在于,所述获取训练数据集,包括:
获取多张遥感图像;
针对多张遥感图像中的各张遥感图像,将所述遥感图像中的解译目标物对应的解译标志标注信息标注到所述遥感图像中,得到所述训练数据;
由多条训练数据得到所述获取训练数据集。
3.根据权利要求2所述的方法,其特征在于,所述将所述遥感图像中的解译目标物对应的解译标志标注信息标注到所述遥感图像中,得到所述训练数据,包括:
确定所述遥感图像中的解译目标物;
根据预设解译目标物与解译标志标注信息之间的对应关系表,确定所述解译目标物对应的解译标志标注信息;
将所述解译目标物对应的解译标志标注信息标注到所述遥感图像中,得到所述训练数据。
4.根据权利要求1所述的方法,其特征在于,所述根据所述各条训练数据和初始解译标志预测模型,确定所述各条训练数据的预测解译标志信息,包括:
将所述各条训练数据依次输入初始解译标志预测模型,经所述初始解译标志预测模型输出所述各条训练数据的预测解译标志信息。
5.根据权利要求1所述的方法,其特征在于,所述根据所述各条训练数据的解译标志标注信息和预测解译标志信息,确定损失值,包括:
基于预设损失函数,根据所述各条训练数据的解译标志标注信息和预测解译标志信息,确定损失值。
6.一种解译标志确定装置,其特征在于,包括:
第一获取模块,用于获取训练数据集,其中,所述训练数据集包括多条训练数据,针对所述多条训练数据中的各条训练数据,所述训练数据包括:遥感图像和解译标志标注信息;
第一确定模块,用于根据所述各条训练数据和初始解译标志预测模型,确定所述各条训练数据的预测解译标志信息;
第二确定模块,根据所述各条训练数据的解译标志标注信息和预测解译标志信息,确定损失值;
训练模块,用于基于所述损失值对所述初始解译标志预测模型进行训练,直至满足预设训练结束条件,得到解译标志预测模型;
第二获取模块,用于获取待处理的遥感图像;
预测模块,用于根据所述待处理的遥感图像和所述解译标志预测模型,预测所述待处理的遥感图像的解译标志。
7.根据权利要求6所述的装置,其特征在于,所述第一获取模块还用于:
获取多张遥感图像;
针对多张遥感图像中的各张遥感图像,将所述遥感图像中的解译目标物对应的解译标志标注信息标注到所述遥感图像中,得到所述训练数据;
由多条训练数据得到所述获取训练数据集。
8.根据权利要求7所述的装置,其特征在于,所述将所述遥感图像中的解译目标物对应的解译标志标注信息标注到所述遥感图像中,得到所述训练数据,包括:
确定所述遥感图像中的解译目标物;
根据预设解译目标物与解译标志标注信息之间的对应关系表,确定所述解译目标物对应的解译标志标注信息;
将所述解译目标物对应的解译标志标注信息标注到所述遥感图像中,得到所述训练数据。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述存储器中存储的计算机程序,且所述计算机程序被执行时,实现上述权利要求1-5中任一所述的解译标志确定方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时,实现上述权利要求1-5中任一所述解译标志确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310657617.XA CN116385888A (zh) | 2023-06-06 | 2023-06-06 | 解译标志确定方法和装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310657617.XA CN116385888A (zh) | 2023-06-06 | 2023-06-06 | 解译标志确定方法和装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116385888A true CN116385888A (zh) | 2023-07-04 |
Family
ID=86981004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310657617.XA Pending CN116385888A (zh) | 2023-06-06 | 2023-06-06 | 解译标志确定方法和装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385888A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116935232A (zh) * | 2023-09-15 | 2023-10-24 | 青岛国测海遥信息技术有限公司 | 海上风力设备的遥感图像处理方法和装置、设备和介质 |
CN117036982A (zh) * | 2023-10-07 | 2023-11-10 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 海上养殖区的光学卫星图像处理方法和装置、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229274A (zh) * | 2017-02-28 | 2018-06-29 | 北京市商汤科技开发有限公司 | 多层神经网络模型训练、道路特征识别的方法和装置 |
CN108229467A (zh) * | 2017-01-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 解译遥感图像的方法、装置和电子设备 |
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 |
CN116109945A (zh) * | 2023-04-12 | 2023-05-12 | 北京数慧时空信息技术有限公司 | 基于有序持续学习的遥感影像解译方法 |
-
2023
- 2023-06-06 CN CN202310657617.XA patent/CN116385888A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229467A (zh) * | 2017-01-23 | 2018-06-29 | 北京市商汤科技开发有限公司 | 解译遥感图像的方法、装置和电子设备 |
CN108229274A (zh) * | 2017-02-28 | 2018-06-29 | 北京市商汤科技开发有限公司 | 多层神经网络模型训练、道路特征识别的方法和装置 |
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 |
CN116109945A (zh) * | 2023-04-12 | 2023-05-12 | 北京数慧时空信息技术有限公司 | 基于有序持续学习的遥感影像解译方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116935232A (zh) * | 2023-09-15 | 2023-10-24 | 青岛国测海遥信息技术有限公司 | 海上风力设备的遥感图像处理方法和装置、设备和介质 |
CN117036982A (zh) * | 2023-10-07 | 2023-11-10 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 海上养殖区的光学卫星图像处理方法和装置、设备和介质 |
CN117036982B (zh) * | 2023-10-07 | 2024-01-09 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 海上养殖区的光学卫星图像处理方法和装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116385888A (zh) | 解译标志确定方法和装置、电子设备和存储介质 | |
CN113705478B (zh) | 一种基于改进YOLOv5的红树林单木目标检测方法 | |
CN108171203B (zh) | 用于识别车辆的方法和装置 | |
CN113610232B (zh) | 网络模型量化方法、装置、计算机设备以及存储介质 | |
CN113033549B (zh) | 定位图获取模型的训练方法和装置 | |
US20240089896A1 (en) | Fingerprint data pre-process method for improving localization model | |
CN113128419B (zh) | 一种障碍物识别方法和装置、电子设备及存储介质 | |
CN108229658B (zh) | 基于有限样本的物体检测器的实现方法及装置 | |
CN115063875A (zh) | 模型训练方法、图像处理方法、装置和电子设备 | |
CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
KR20210152269A (ko) | 딥러닝 모델 학습 방법 및 이를 수행하기 위한 컴퓨팅 장치 | |
CN116071601A (zh) | 训练模型的方法、装置、设备和介质 | |
CN113361194B (zh) | 一种基于深度学习的传感器漂移校准方法、电子设备及存储介质 | |
CN113537192B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN111639591B (zh) | 轨迹预测模型生成方法、装置、可读存储介质及电子设备 | |
CN116954113B (zh) | 智能机器人驱动传感智能控制系统及其方法 | |
CN111753959A (zh) | 一种神经网络模型优化方法、装置、设备和存储介质 | |
CN117056807A (zh) | 基于语义分割网络和长短期记忆网络的集成云检测方法、可读存储介质及计算设备 | |
CN116580702A (zh) | 基于人工智能的语音识别方法、装置、计算机设备及介质 | |
US20220327335A1 (en) | Controlling asynchronous fusion of spatio-temporal multimodal data | |
CN115601759A (zh) | 端到端文本识别方法、装置、设备及存储介质 | |
CN114971375A (zh) | 基于人工智能的考核数据处理方法、装置、设备及介质 | |
CN114881227A (zh) | 模型压缩方法、图像处理方法、装置和电子设备 | |
CN114067099A (zh) | 学生图像识别网络的训练方法及图像识别方法 | |
CN108872999B (zh) | 一种物体识别方法、装置、识别设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230704 |