CN117349784A - 遥感数据的处理方法、装置及设备 - Google Patents

遥感数据的处理方法、装置及设备 Download PDF

Info

Publication number
CN117349784A
CN117349784A CN202311069743.XA CN202311069743A CN117349784A CN 117349784 A CN117349784 A CN 117349784A CN 202311069743 A CN202311069743 A CN 202311069743A CN 117349784 A CN117349784 A CN 117349784A
Authority
CN
China
Prior art keywords
remote sensing
data
information
text
domain
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
CN202311069743.XA
Other languages
English (en)
Inventor
王泓清
刘勇
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.)
Zhejiang Geely Holding Group Co Ltd
Zhejiang Shikong Daoyu Technology Co Ltd
Original Assignee
Zhejiang Geely Holding Group Co Ltd
Zhejiang Shikong Daoyu Technology Co Ltd
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 Zhejiang Geely Holding Group Co Ltd, Zhejiang Shikong Daoyu Technology Co Ltd filed Critical Zhejiang Geely Holding Group Co Ltd
Priority to CN202311069743.XA priority Critical patent/CN117349784A/zh
Publication of CN117349784A publication Critical patent/CN117349784A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06N3/0475—Generative networks
    • 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
    • G06N3/094—Adversarial learning
    • 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
    • G06N3/096—Transfer learning
    • 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种遥感数据的处理方法、装置及设备，该方法通过对多模态的遥感数据进行语义处理和迁移学习，得到遥感数据的文本信息和图像信息，分别与遥感数据的应用业务相关的问题文本进行融合，对融合后含有应用业务的信息进行检索和识别，得到遥感数据对应问题文本的回复信息，对回复信息进行文本挖掘得到整合后的报告，提高了遥感数据的应用业务中遥感数据的利用效率，也对应提高了基于遥感数据适应实际应用的能力。

Description

遥感数据的处理方法、装置及设备
技术领域
本申请涉及遥感数据处理领域，特别涉及一种遥感数据的处理方法、装置及设备。
背景技术
遥感技术是利用传感器采用非接触、远距离的方式探测地面物体对电磁波信号的反射、辐射或散射情况的一门科学技术。遥感通过人造地球卫星、航空等平台上的探测仪器，对地球表面实施远超人类视觉空间的大范围的观测，综合展现了包括地质、水文等多种事物的形态和分布。遥感技术广泛应用于农林、海洋、地质等领域，从中提取的地物信息，在自然灾害应急、农业检测等任务中发挥了重要的作用。
遥感数据中包含极丰富的信息，目标种类多，结构复杂，尺度不一，既包含河流、湖泊、森林等自然地物，又包含建筑、公路等人工地物。同时，遥感探测可选用不同波段和仪器观测，例如可采用可见光探测物体，也可采用红外线、微波探测物体，因此遥感数据包含的息量更大。遥感影像中包含的丰富的光谱和空间信息，增加了特征提取和表达的复杂性。现有的遥感影像处理方法是基于深度学习的方法，是在自然场景大规模标注数据上进行模型预训练，再到遥感下游任务数据上进行微调训练，然而现有的遥感影像处理方法无法避免数据域差异对基础特征表征的影响，从而制约遥感下游任务性能的提升。
发明内容
本申请提出了一种遥感数据的处理方法，对遥感数据进行解译，解决了遥感数据的应用业务中遥感数据的利用效率受到限制的问题。
根据本申请的一方面，提出了一种遥感数据的处理方法，所述方法包括：
获取遥感数据；
对所述遥感数据进行语义处理，得到所述遥感数据的语义信息；
以及对所述遥感数据进行迁移学习，以将所述遥感数据从遥感域迁移至视觉域，得到目标数据；
融合与遥感数据的应用业务相关的问题文本和所述语义信息，得到回复所述问题文本的遥感文本信息；
根据所述问题文本识别所述目标数据，搜索识别后的所述目标数据的相关信息，得到遥感图像信息；
对所述遥感文本信息和所述遥感图像信息进行文本挖掘，生成所述问题文本对应的遥感应答信息。
在一种可能的实现方式中，所述遥感数据是多模态的遥感数据，
所述对所述遥感数据进行语义处理，得到所述遥感数据的语义信息，包括：
采用不同模态的遥感数据对应的预处理方式，对不同模态的遥感数据进行预处理；
采用不同模态的遥感数据对应的编码方式，对经过预处理后的不同模态的遥感数据进行编码，得到编码后的遥感向量，对所述遥感向量进行特征提取，得到经过特征提取的遥感特征向量；
对所述遥感特征向量进行解码，得到所述遥感数据的语义信息。
在一种可能的实现方式中，所述对所述遥感数据进行迁移学习，以将所述遥感数据从遥感域迁移至视觉域，得到目标数据，包括：
基于对抗网络的迁移学习框架训练得到生成器；
将所述遥感数据输入到所述生成器进行迁移学习，以将所述遥感数据从遥感域迁移至视觉域，得到所述目标数据。
在一种可能的实现方式中，所述迁移学习框架还包括域判别器，所述生成器和域判别器的训练方法，包括：
获取样本数据集，以及获取基于对抗网络的迁移学习框架得到的预设生成器和预设域判别器，所述样本数据集包括遥感域数据集和视觉域数据集，所述遥感域数据集中的每一个遥感域数据携带有第一标签，所述视觉域数据集中的每一个视觉域数据携带有第二标签；
当样本数据集中的样本数据对应的标签为第一标签时，将所述样本数据输入所述预设生成器，得到样本生成数据，所述样本生成数据的标签为第一标签，所述样本生成数据与所述视觉域数据的数据维度一致，以及将所述样本数据映射至所述视觉域数据的数据维度，得到样本映射数据，所述样本生成数据和所述样本映射数据的相似度为第一损失；
将所述样本生成数据输入所述预设域判别器，得到所述样本生成数据的预测域标签，基于所述样本生成数据的预测域标签和第一标签之间的距离确定第二损失；
当样本数据集中的样本数据对应的标签为第二标签时，将所述样本数据输入所述预设域判别器，得到所述样本数据的预测域标签，基于所述样本数据的预测域标签和第二标签之间的距离确定第三损失；
基于所述第二损失和所述第三损失调整所述预设域判别器的参数，基于所述第一损失和所述第二损失调整所述预设生成器的参数，当所述预设生成器的参数和所述预设域判别器的参数满足预设训练结束条件时，确定得到所述域判别器和所述生成器。
在一种可能的实现方式中，所述融合与遥感数据的应用业务相关的问题文本和所述语义信息，得到回复所述问题文本的遥感文本信息，包括：
融合所述问题文本和所述语义信息，得到问题语义融合结果；
将所述问题语义融合结果输入大模型，以对所述问题语义融合结果进行聚类检索，生成回复所述问题文本的所述遥感文本信息；
其中，所述大模型为基于多模态数据集训练得到的。
在一种可能的实现方式中，所述根据所述问题文本识别所述目标数据，搜索识别后的所述目标数据的相关信息，得到遥感图像信息，包括：
将所述问题文本和所述目标数据输入大模型，以对所述目标数据进行识别，得到经过识别后的所述目标数据，以及根据所述问题文本搜索识别后的所述目标数据的相关信息，得到匹配所述问题文本的所述遥感图像信息；
其中，所述大模型为基于多模态数据集训练的。
在一种可能的实现方式中，所述文本挖掘包括信息过滤和自动文摘，
所述对所述遥感文本信息和所述遥感图像信息进行文本挖掘，生成所述问题文本的遥感应答信息，包括：
根据所述与遥感数据的应用业务相关的问题文本对所述遥感文本信息和所述遥感图像信息进行信息过滤，得到与所述问题文本相关的遥感过滤信息；
将所述遥感过滤信息进行自动文摘处理，自动生成所述与遥感数据的应用业务相关的问题文本的遥感应答信息。
另一方面，提供了一种遥感数据的处理装置，所述装置包括：
数据存储模块，用于获取遥感数据；
语义处理模块，用于对所述遥感数据进行语义处理，得到所述遥感数据的语义信息；
迁移学习模块，用于对所述遥感数据进行迁移学习，以将所述遥感数据从遥感域迁移至视觉域，得到目标数据；
文本信息模块，用于融合与遥感数据的应用业务相关的问题文本和所述语义信息，得到回复所述问题文本的遥感文本信息；
图像信息模块，用于根据所述问题文本识别所述目标数据，搜索识别后的所述目标数据的相关信息，得到遥感图像信息；
应答模块，用于对所述遥感语义信息和所述遥感图像信息进行文本挖掘，生成所述问题文本对应的遥感应答信息。
在一种可能的实现方式中，所述遥感数据是多模态的遥感数据，
所述语义处理模块包括：
预处理单元，用于采用不同模态的遥感数据对应的预处理方式，对不同模态的遥感数据进行预处理；
编码单元，用于采用不同模态的遥感数据对应的编码方式，对经过预处理后的不同模态的遥感数据进行编码，得到编码后的遥感向量，对所述遥感向量进行特征提取，得到经过特征提取的遥感特征向量；
解码单元，用于对所述遥感特征向量进行解码，得到所述遥感数据的语义信息。
在一种可能的实现方式中，所述迁移学习模块包括：
生成器单元，用于基于对抗网络的迁移学习框架训练得到生成器；
数据迁移单元，用于将所述遥感数据输入到所述生成器进行迁移学习，以将所述遥感数据从遥感域迁移至视觉域，得到所述目标数据。
在一种可能的实现方式中，所述迁移学习框架还包括域判别器，所述迁移学习模块包括生成器和域判别器的训练单元，用于：
获取样本数据集，以及获取基于对抗网络的迁移学习框架得到的预设生成器和预设域判别器，所述样本数据集包括遥感域数据集和视觉域数据集，所述遥感域数据集中的每一个遥感域数据携带有第一标签，所述视觉域数据集中的每一个视觉域数据携带有第二标签；
当样本数据集中的样本数据对应的标签为第一标签时，将所述样本数据输入所述预设生成器，得到样本生成数据，所述样本生成数据的标签为第一标签，所述样本生成数据与所述视觉域数据的数据维度一致，以及将所述样本数据映射至所述视觉域数据的数据维度，得到样本映射数据，所述样本生成数据和所述样本映射数据的相似度为第一损失；
将所述样本生成数据输入所述预设域判别器，得到所述样本生成数据的预测域标签，基于所述样本生成数据的预测域标签和第一标签之间的距离确定第二损失；
当样本数据集中的样本数据对应的标签为第二标签时，将所述样本数据输入所述预设域判别器，得到所述样本数据的预测域标签，基于所述样本数据的预测域标签和第二标签之间的距离确定第三损失；
基于所述第二损失和所述第三损失调整所述预设域判别器的参数，基于所述第一损失和所述第二损失调整所述预设生成器的参数，当所述预设生成器的参数和所述预设域判别器的参数满足预设训练结束条件时，确定得到所述域判别器和所述生成器。
在一种可能的实现方式中，所述文本信息模块，用于：
融合所述问题文本和所述语义信息，得到问题语义融合结果；
将所述问题语义融合结果输入大模型，以对所述问题语义融合结果进行聚类检索，生成回复所述问题文本的所述遥感文本信息；
其中，所述大模型为基于多模态数据集训练得到的。
在一种可能的实现方式中，所述图像信息模块，用于：
将所述问题文本和所述目标数据输入大模型，以对所述目标数据进行识别，得到经过识别后的所述目标数据，以及根据所述问题文本搜索识别后的所述目标数据的相关信息，得到匹配所述问题文本的所述遥感图像信息；
其中，所述大模型为基于多模态数据集训练的。
在一种可能的实现方式中，所述文本挖掘包括信息过滤和自动文摘，所述应答模块包括：
信息过滤单元，用于根据所述与遥感数据的应用业务相关的问题文本对所述遥感文本信息和所述遥感图像信息进行信息过滤，得到与所述问题文本相关的遥感过滤信息；
自动文摘单元，用于将所述遥感过滤信息进行自动文摘处理，自动生成所述与遥感数据的应用业务相关的问题文本的遥感应答信息。
另一方面，提供了一种电子设备，包括处理器和存储器，所述存储器中存储有至少一条指令或者至少一段程序，所述至少一条指令或者所述至少一段程序由所述处理器加载并执行以实现上述任一方面的遥感数据的处理方法。
另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令或者至少一段程序，所述至少一条指令或者所述至少一段程序由处理器加载并执行以实现如上述任一方面的遥感数据的处理方法。
本申请实施例通过对多模态的遥感数据进行语义处理和迁移学习，得到大模型可理解的遥感数据的文本信息和图像信息，分别与遥感数据的应用业务相关的问题文本进行融合，对融合后含有应用业务的信息进行检索和识别，得到遥感数据对应问题文本的回复信息，对回复信息进行文本挖掘得到整合后的报告，提高了遥感数据的应用业务中遥感数据的利用效率，也对应提高了基于遥感数据适应实际应用的能力。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种遥感数据的处理方法的流程示意图；
图2是本申请实施例提供的一种遥感数据的处理装置的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供的一种遥感数据的处理方法，所述遥感数据即为遥感图像。遥感图像的种类主要按照传感器搭载方式、成像方式、感知电磁波波长三种方式划分。基于传感器搭载方式分类，可划分成机载遥感成像和星载遥感成像两类。机载遥感成像指的是传感器通过搭载飞机等工具对地面进行数据采集，星载遥感成像即传感器搭载在对地卫星上，实现对地数据采集。按照电磁波信号的来源划分，可划分成主动式成像技术和被动式成像技术。主动式成像技术指电磁波由传感器载体发出并接收的成像模式，被动式成像技术是指电磁波信号由观测目标本身发出或来自太阳光照在观测目标表面的反射。根据传感器感知电磁波波长方式划分，遥感图像可分为短波红外遥感图像。如图1所示，所述遥感数据的处理方法包括步骤S101至步骤S111。
在步骤S101中，获取遥感数据。具体地，所述遥感数据对应的模态类型包括SAR(Synthetic Aperture Radar，合成孔径雷达)、高光谱、光学、红外等。
在步骤S103中，对所述遥感数据进行语义处理，得到所述遥感数据的语义信息。
在一种可能的实现方式中，所述对所述遥感数据进行语义处理，得到所述遥感数据的语义信息，包括：采用不同模态的遥感数据对应的预处理方式，对不同模态的遥感数据进行预处理；采用不同模态的遥感数据对应的编码方式，对经过预处理后的不同模态的遥感数据进行编码，得到编码后的遥感向量，对所述遥感向量进行特征提取，得到经过特征提取的遥感特征向量；对所述遥感特征向量进行解码，得到所述遥感数据的语义信息。
在一种可能的实现方式中，所述预处理包括辐射校正、几何校正、图像配准以及图像增强处理。具体地，所述遥感数据是多模态的，对应的模态类型包括SAR、高光谱、光学、红外等，根据不同模态类型的遥感数据，需要采用不同的预处理方式进行处理。具体地，遥感图像在获取过程中，受到如大气吸收与散射、传感器定标、地形等因素的影响，且它们会随时间的不同而有所差异。因此，利用遥感图像的光谱信息来检测地物变化状况的动态监测，其重要前提是要消除不变地物的辐射值差异。
在一种可能的实现方式中，以雷达图像作为一个示例说明。对于雷达图像的辐射校正，基于雷达图像的参数和算法，重新计算雷达图像的亮度值和后弦散射系数。对于雷达图像的几何纠正和图像配准，基于数字地形模型和雷达成像参数，形成一幅无畸变的雷达模拟图像；再用多项式拟合法，将实际图像与模拟的图像进行配准；然后对雷达图像进行地形畸变校正；最后对阴影、叠掩、透视收缩区域分别进行灰度处理。对于雷达图像的图像增强，调整图像的颜色、亮度和对比度，增强图像的清晰度。
在一种可能的实现方式中，对经过预处理后的不同模态的遥感数据进行编码，得到编码后的遥感向量。具体地，所述经过预处理后的遥感数据也是多模态的，不同模态的遥感数据的数据格式不同，需要采用不同的编码方式进行编码，基于ViT(VisionTransformer，视觉自注意力模型)对遥感数据进行编码以将其向量化，得到编码后的遥感向量。
在一种可能的实现方式中，对所述遥感向量进行特征提取，得到经过特征提取的遥感特征向量。具体地，所述特征提取可以是对所述遥感向量进行主成分分析，过滤出所述遥感向量中重要信息。
在一种可能的实现方式中，对所述遥感特征向量进行解码，得到所述遥感数据的语义信息。具体地，采用编码方式对应的解码方式，对所述遥感特征向量进行解码，得到所述遥感数据的语义信息。所述遥感数据的语义信息可以是含有遥感数据重要信息的文本。
在一种可能的实现方式中，以高光谱图像作为一个示例说明。高光谱图像是在卫星上使用高光谱成像仪进行拍摄的，接收存储是在遥感卫星地面站中完成的，收集到的数据通过数模转换变成数字数据。目前的高光谱图像都是以标准化的数字形式保存的，大多采用了HDF(Hierarchical data format，层级数据格式)格式。HDF采用分层数据管理结构，通过层次式的方式，有效建立了文件内部对象之间的逻辑关系和组织方式。通过所提供的“总体目录结构”可直接从嵌套的文件中获得各种信息，在读取图像数据的同时，可以方便获取其地理定位、轨道参数、图像属性、图像噪声等各种信息参数。读取高光谱图像，将图像切成多个小块，每一个小块展平成一个向量，不同小块的展平向量拼成一个大向量，在此基础上加上位置编码，得到高光谱图像的遥感向量，将所述高光谱图像的遥感向量输入到ViT模型中进行特征提取，得到遥感特征向量。对所述高光谱图像的遥感向量进行特征提取，得到遥感特征向量。将所述遥感特征向量输入一个RNN(Recurrent Neural Networks,循环神经网络)进行解码，得到含有高光谱图像重要信息的文本。
在该实现方式中，可以预先建立不同模态的遥感数据预处理方式的分支处理结构，以及预先建立不同模态的遥感数据编码和对应解码方式的分支处理结构，对不同模态的遥感数据进行预处理和编码，得到编码后的遥感向量，对所述遥感向量进行特征提取，得到经过特征提取的遥感特征向量，对所述遥感特征向量进行解码，得到所述遥感数据的语义信息，将多模态的遥感数据转换成大模型可以理解的语义信息，使遥感数据可以与其他相关数据源(例如气象数据、地理信息等)整合在一起。
在步骤S105中，对所述遥感数据进行迁移学习，以将所述遥感数据从遥感域迁移至视觉域，得到目标数据。所述遥感域是通过遥感技术获得的遥感数据的集合，所述视觉域是基于视觉认知获得的视觉图像数据的集合。所述经过迁移学习得到的目标数据，具有遥感数据的图像信息、且可应用视觉图像技术对其进行处理。
在一种可能的实现方式中，所述对所述遥感数据进行迁移学习，以将所述遥感数据从遥感域迁移至视觉域，得到目标数据，包括：基于对抗网络的迁移学习框架训练得到生成器；将所述遥感数据输入到所述生成器进行迁移学习，以将所述遥感数据从遥感域迁移至视觉域，得到所述目标数据。
在一种可能的实现方式中，所述迁移学习框架还包括域判别器，所述生成器和域判别器的训练方法，包括：
获取样本数据集，以及获取基于对抗网络的迁移学习框架得到的预设生成器和预设域判别器，所述样本数据集包括遥感域数据集和视觉域数据集，所述遥感域数据集中的每一个遥感域数据携带有第一标签，所述视觉域数据集中的每一个视觉域数据携带有第二标签；
当样本数据集中的样本数据对应的标签为第一标签时，将所述样本数据输入所述预设生成器，得到样本生成数据，所述样本生成数据的标签为第一标签，所述样本生成数据与所述视觉域数据的数据维度一致，以及将所述样本数据映射至所述视觉域数据的数据维度，得到样本映射数据，所述样本生成数据和所述样本映射数据的相似度为第一损失；
将所述样本生成数据输入所述预设域判别器，得到所述样本生成数据的预测域标签，基于所述样本生成数据的预测域标签和第一标签之间的距离确定第二损失；
当样本数据集中的样本数据对应的标签为第二标签时，将所述样本数据输入所述预设域判别器，得到所述样本数据的预测域标签，基于所述样本数据的预测域标签和第二标签之间的距离确定第三损失；
基于所述第二损失和所述第三损失调整所述预设域判别器的参数，基于所述第一损失和所述第二损失调整所述预设生成器的参数，当所述预设生成器的参数和所述预设域判别器的参数满足预设训练结束条件时，确定得到所述域判别器和所述生成器。
在一种可能的实现方式中，迁移学习框架是一种将数据从源域签到目标域的方法，包括生成器和域判别器。所述样本数据集包括开源数据集和使用设备采集的数据。
在一种可能的实现方式中，所述视觉域数据的维度可以是二维也可以是多维的，所述预设生成器和所述预设域判别器的结构是基于对抗网络的迁移学习框架预设的。
在一种可能的实现方式中，将所述样本数据映射至所述视觉域数据的数据维度，得到样本映射数据。所述映射可以是对所述样本数据进行主成分分析，得到所述样本数据的主成分特征向量，将特征向量经过矩阵运算映射到所述视觉域数据的数据维度。
在一种可能的实现方式中，当样本数据集中的样本数据对应的标签为第一标签时，所述样本生成数据和所述样本映射数据的相似度为第一损失。具体地，所述第一损失的计算方法可以是计算所述样本生成数据和所述样本映射数据的L1损失函数或者L2损失函数。
在一种可能的实现方式中，基于所述样本生成数据的预测域标签和第一标签之间的距离确定第二损失。具体地，所述第二损失的计算方式可以是计算所述预测域标签和第一标签的交叉熵损失函数。
在一种可能的实现方式中，当样本数据集中的样本数据对应的标签为第二标签时，将所述样本数据输入所述预设域判别器，得到所述样本数据的预测域标签，基于所述样本数据的预测域标签和第二标签之间的距离确定第三损失。具体地，所述第三损失的计算方式可以是计算所述预测域标签和第二标签的交叉熵损失函数。
在一种可能的实现方式中，基于所述第二损失和所述第三损失调整所述预设域判别器的参数，基于所述第一损失和所述第二损失调整所述预设生成器的参数，当所述预设生成器的参数和所述预设域判别器的参数满足预设训练结束条件时，确定得到所述域判别器和所述生成器。所述预设训练结束条件包括以下条件的任意一个：1、所述预设生成器和所述预设域判别器的损失小于预先设定的值；2、两次所述预设生成器的参数和所述预设域判别器的参数调整的变化小于预先设定的值；3、训练次数达到预设的训练步数或者训练时长达到预设的训练时长。
在该实现方式中，通过预先训练基于对抗网络的迁移学习框架训练得到生成器，对所述遥感数据进行迁移学习，以将所述遥感数据从遥感域迁移至视觉域，使遥感数据转换成大模型可以理解的图像信息，使遥感数据可以被大模型所识别。
在步骤S107中，融合与遥感数据的应用业务相关的问题文本和所述语义信息，得到回复所述问题文本的遥感文本信息。
在一种可能的实现方式中，所述融合与遥感数据的应用业务相关的问题文本和所述语义信息，得到回复所述问题文本的遥感文本信息，包括：融合所述问题文本和所述语义信息，得到问题语义融合结果，将所述问题语义融合结果输入大模型，以对所述问题语义融合结果进行聚类检索，生成回复所述问题文本的所述遥感文本信息；其中，所述大模型为基于多模态数据集训练得到的。
在一种可能的实现方式中，所述遥感数据的应用业务包括：1、场景理解与多模态数据融合问题；2、自然灾害评估和监测；3、监测农作物生长状况、林业资源分布和土地利用变化；4、针对用户遥感数据相关的问题的问答系统。
在一种可能的实现方式中，将所述问题语义融合结果输入大模型，以对所述问题语义融合结果进行聚类检索，生成回复所述问题文本的所述遥感文本信息。所述大模型是拥有大规模的参数、并在大规模的多模态数据上进行训练的预训练的人工智能模型。将所述问题语义融合结果输入到预训练的大模型中，由大模型完成对所述问题语义融合结果的聚类检索，生成回复所述问题文本的所述遥感文本信息，所述遥感文本信息是文本类型的信息。
在该实现方式中，将可被大模型理解的遥感数据的文本内容输入大模型，基于大模型出色的自然语言理解、生成能力和丰富的知识储备，使得大模型能够根据遥感数据的应用需求提供高质量的分析和决策支持。
在步骤S109中，根据所述问题文本识别所述目标数据，搜索识别后的所述目标数据的相关信息，得到遥感图像信息。
在一种可能的实现方式中，所述根据所述问题文本识别所述目标数据，搜索识别后的所述目标数据的相关信息，得到遥感图像信息，包括：将所述问题文本和所述目标数据输入大模型，以对所述目标数据进行识别，得到经过识别后的所述目标数据，以及根据所述问题文本搜索识别后的所述目标数据的相关信息，得到匹配所述问题文本的所述遥感图像信息；其中，所述大模型为基于多模态数据集训练的。
在一种可能的实现方式中，将所述问题文本和所述目标数据输入大模型，由大模型对所属目标数据进行识别，得到经过识别后的所述目标数据，所述经过识别后的所述目标数据包括对所述目标数据识别的描述文本，根据所述问题文本搜索所述描述文本的相关信息，得到匹配所述问题文本的所述遥感图像信息。
在该实现方式中，将可被大模型理解的遥感数据的图像内容输入大模型，基于大模型出色的图像识别能力和丰富的知识储备，使得大模型能够根据遥感数据的应用需求可以更好地监测地物变化，制定合理的政策和措施。
在步骤S111中，对所述遥感文本信息和所述遥感图像信息进行文本挖掘，生成所述问题文本对应的遥感应答信息。
在一种可能的实现方式中，所述文本挖掘包括信息过滤和自动文摘，所述对所述遥感文本信息和所述遥感图像信息进行文本挖掘，生成所述问题文本的遥感应答信息，包括：根据所述与遥感数据的应用业务相关的问题文本对所述遥感文本信息和所述遥感图像信息进行信息过滤，得到与所述问题文本相关的遥感过滤信息；将所述遥感过滤信息进行自动文摘处理，自动生成所述与遥感数据的应用业务相关的问题文本的遥感应答信息。
在一种可能的实现方式中，所述文本挖掘包括信息过滤和自动文摘，所述文本挖掘从非结构化的文本信息中抽取潜在的、用户感兴趣的重要模式或知识的过程。所述根据所述与遥感数据的应用业务相关的问题文本对所述遥感文本信息和所述遥感图像信息进行信息过滤，是将与所述问题文本相关的信息过滤出来，得到与所述问题文本相关的遥感过滤信息。所述将所述遥感过滤信息进行自动文摘处理，是基于数理统计学和计算语言学，根据文字出现的规律以及文字与语义、语法间的联系对所述遥感过滤信息进行调整，使文本表述更清楚。
在该实现方式中，对经过大模型理解的遥感数据的文本信息进行文本挖掘，与经过大模型理解的遥感数据的图像信息整合在一起，展示成根据遥感数据的应用需求的高质量分析报告和应答信息，提高了用户的理解体验。
由本申请实施例的上述技术方案可见，本申请实施例本通过对多模态的遥感数据进行语义处理和迁移学习，得到大模型可理解的遥感数据的文本信息和图像信息，分别与遥感数据的应用业务相关的问题文本进行融合，将融合后含有应用业务的信息输入大模型，基于大模型强大的理解能力和生成能力，提高了遥感数据的应用业务中遥感数据的利用效率，也对应提高了基于遥感数据适应实际应用的能力。
在一种可能的实现方式中，所述遥感数据的应用业务为场景理解与多模态数据融合问题。对多源异构遥感数据执行预处理和特征抽取操作，将图像数据转化为语义表达，借助大模型出色的语义理解能力，能够理解和处理多种数据类型(例如文本、表格等)。将多源异构遥感数据的语义表达与其他相关数据源(例如气象数据、地理信息等)整合在一起，从而生成更丰富、更准确的场景描述和分析报告。通过这种方式，实现多源异构遥感数据与文本、表格等多种数据类型的无缝融合，提高遥感数据应用的价值。
在一种可能的实现方式中，所述遥感数据的应用业务为自然灾害评估和监测。将多源异构遥感数据经过预处理和特征抽取转换为大模型可理解的语义内容，利用大模型的自然语言生成能力，实时生成关于灾害影响、程度和恢复情况的报告。可以显著提高灾害响应速度，为决策者提供实时、准确的信息支持。
在一种可能的实现方式中，所述遥感数据的应用业务为监测农作物生长状况、林业资源分布和土地利用变化。对多源异构遥感数据执行预处理和特征抽取操作，将多源异构遥感数据转换为有关农作物生长状况、林业资源分布和土地利用变化的语义表达。借助大模型的多模态数据处理与高度灵活性和适应性能力，生成有关农作物生长状况、林业资源分布和土地利用变化的描述农业和林业管理部门可以更好地监测资源状况，制定合理的政策和措施。
在一种可能的实现方式中，所述遥感数据的应用业务为针对用户遥感数据相关的问题的问答系统。对多源异构遥感数据执行预处理和特征抽取操作，将异构数据转化为语义表达，根据用户的问题对遥感数据进行分析并生成直接、准确的回答。通过这种方式，提高多源异构遥感数据的可访问性和利用价值，为用户提供更高质量的知识问答服务。
图2示出本申请实施例提供的一种遥感数据的处理装置200的结构示意图，该装置具有实现上述方法实施例中遥感数据的处理方法的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。如图2所示，该装置可以包括：
数据存储模块201，用于获取遥感数据；
语义处理模块202，用于对所述遥感数据进行语义处理，得到所述遥感数据的语义信息；
迁移学习模块203，用于对所述遥感数据进行迁移学习，以将所述遥感数据从遥感域迁移至视觉域，得到目标数据；
文本信息模块204，用于融合与遥感数据的应用业务相关的问题文本和所述语义信息，得到回复所述问题文本的遥感语义信息；
图像信息模块205，用于根据所述问题文本识别所述目标数据，搜索识别后的所述目标数据的相关信息，得到遥感图像信息；
应答模块206，用于对所述遥感文本信息和所述遥感图像信息进行文本挖掘，生成所述问题文本对应的遥感应答信息。
在一种可能的实现方式中，所述遥感数据是多模态的遥感数据，所述语义处理模块202包括：
预处理单元，用于采用不同模态的遥感数据对应的预处理方式，对不同模态的遥感数据进行预处理；
编码单元，用于采用不同模态的遥感数据对应的编码方式，对经过预处理后的不同模态的遥感数据进行编码，得到编码后的遥感向量，对所述遥感向量进行特征提取，得到经过特征提取的遥感特征向量；
解码单元，用于对所述遥感特征向量进行解码，得到所述遥感数据的语义信息。
在一种可能的实现方式中，所述迁移学习模块203包括：
生成器单元，用于基于对抗网络的迁移学习框架训练得到生成器；
数据迁移单元，用于将所述遥感数据输入到所述生成器进行迁移学习，以将所述遥感数据从遥感域迁移至视觉域，得到所述目标数据。
在一种可能的实现方式中，所述迁移学习框架还包括域判别器，所述迁移学习模块203包括生成器和域判别器的训练单元，用于：
获取样本数据集，以及获取基于对抗网络的迁移学习框架得到的预设生成器和预设域判别器，所述样本数据集包括遥感域数据集和视觉域数据集，所述遥感域数据集中的每一个遥感域数据携带有第一标签，所述视觉域数据集中的每一个视觉域数据携带有第二标签；
当样本数据集中的样本数据对应的标签为第一标签时，将所述样本数据输入所述预设生成器，得到样本生成数据，所述样本生成数据的标签为第一标签，所述样本生成数据与所述视觉域数据的数据维度一致，以及将所述样本数据映射至所述视觉域数据的数据维度，得到样本映射数据，所述样本生成数据和所述样本映射数据的相似度为第一损失；
将所述样本生成数据输入所述预设域判别器，得到所述样本生成数据的预测域标签，基于所述样本生成数据的预测域标签和第一标签之间的距离确定第二损失；
当样本数据集中的样本数据对应的标签为第二标签时，将所述样本数据输入所述预设域判别器，得到所述样本数据的预测域标签，基于所述样本数据的预测域标签和第二标签之间的距离确定第三损失；
基于所述第二损失和所述第三损失调整所述预设域判别器的参数，基于所述第一损失和所述第二损失调整所述预设生成器的参数，当所述预设生成器的参数和所述预设域判别器的参数满足预设训练结束条件时，确定得到所述域判别器和所述生成器。
在一种可能的实现方式中，所述文本信息模块204，用于：
融合所述问题文本和所述语义信息，得到问题语义融合结果；
将所述问题语义融合结果输入大模型，以对所述问题语义融合结果进行聚类检索，生成回复所述问题文本的所述遥感文本信息；
其中，所述大模型为基于多模态数据集训练得到的。
在一种可能的实现方式中，所述图像信息模块205，用于：
将所述问题文本和所述目标数据输入大模型，以对所述目标数据进行识别，得到经过识别后的所述目标数据，以及根据所述问题文本搜索识别后的所述目标数据的相关信息，得到匹配所述问题文本的所述遥感图像信息；
其中，所述大模型为基于多模态数据集训练的。
在一种可能的实现方式中，所述文本挖掘包括信息过滤和自动文摘，所述应答模块206包括：
信息过滤单元，用于根据所述与遥感数据的应用业务相关的问题文本对所述遥感文本信息和所述遥感图像信息进行信息过滤，得到与所述问题文本相关的遥感过滤信息；
自动文摘单元，用于将所述遥感过滤信息进行自动文摘处理，自动生成所述与遥感数据的应用业务相关的问题文本的遥感应答信息。
需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见遥感数据的处理方法实施例，这里不再赘述。
本申请实施例提供了一种电子设备，该电子设备包括处理器和存储器，该存储器中存储有至少一条指令或者至少一段程序，该至少一条指令或者该至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的任意一种遥感数据的处理方法。
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。
本申请的实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质可设置于电子设备之中以保存用于实现一种遥感数据的处理方法相关的至少一条指令或者至少一段程序，该至少一条指令或者该至少一段程序由该处理器加载并执行以实现上述方法实施例提供的任意一种遥感数据的处理方法。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，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。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种遥感数据的处理方法，其特征在于，所述方法包括：
获取遥感数据；
对所述遥感数据进行语义处理，得到所述遥感数据的语义信息；
对所述遥感数据进行迁移学习，以将所述遥感数据从遥感域迁移至视觉域，得到目标数据；
融合与遥感数据的应用业务相关的问题文本和所述语义信息，得到回复所述问题文本的遥感文本信息；
根据所述问题文本识别所述目标数据，搜索识别后的所述目标数据的相关信息，得到遥感图像信息；
对所述遥感文本信息和所述遥感图像信息进行文本挖掘，生成所述问题文本的遥感应答信息。
2.根据权利要求1所述的遥感数据的处理方法，其特征在于，所述遥感数据是多模态的遥感数据，
所述对所述遥感数据进行语义处理，得到所述遥感数据的语义信息，包括：
采用不同模态的遥感数据对应的预处理方式，对不同模态的遥感数据进行预处理；
采用不同模态的遥感数据对应的编码方式，对经过预处理后的不同模态的遥感数据进行编码，得到编码后的遥感向量，对所述遥感向量进行特征提取，得到经过特征提取的遥感特征向量；
对所述遥感特征向量进行解码，得到所述遥感数据的语义信息。
3.根据权利要求1所述的遥感数据的处理方法，其特征在于，
所述对所述遥感数据进行迁移学习，以将所述遥感数据从遥感域迁移至视觉域，得到目标数据，包括：
基于对抗网络的迁移学习框架训练得到生成器；
将所述遥感数据输入到所述生成器进行迁移学习，以将所述遥感数据从遥感域迁移至视觉域，得到所述目标数据。
4.根据权利要求3所述的遥感数据的处理方法，其特征在于，所述迁移学习框架还包括域判别器，所述生成器和域判别器的训练方法，包括：
获取样本数据集，以及获取基于对抗网络的迁移学习框架得到的预设生成器和预设域判别器，所述样本数据集包括遥感域数据集和视觉域数据集，所述遥感域数据集中的每一个遥感域数据携带有第一标签，所述视觉域数据集中的每一个视觉域数据携带有第二标签；
当样本数据集中的样本数据对应的标签为第一标签时，将所述样本数据输入所述预设生成器，得到样本生成数据，所述样本生成数据的标签为第一标签，所述样本生成数据与所述视觉域数据的数据维度一致，以及将所述样本数据映射至所述视觉域数据的数据维度，得到样本映射数据，所述样本生成数据和所述样本映射数据的相似度为第一损失；
将所述样本生成数据输入所述预设域判别器，得到所述样本生成数据的预测域标签，基于所述样本生成数据的预测域标签和第一标签之间的距离确定第二损失；
当样本数据集中的样本数据对应的标签为第二标签时，将所述样本数据输入所述预设域判别器，得到所述样本数据的预测域标签，基于所述样本数据的预测域标签和第二标签之间的距离确定第三损失；
基于所述第二损失和所述第三损失调整所述预设域判别器的参数，基于所述第一损失和所述第二损失调整所述预设生成器的参数，当所述预设生成器的参数和所述预设域判别器的参数满足预设训练结束条件时，确定得到所述域判别器和所述生成器。
5.根据权利要求1所述的遥感数据的处理方法，其特征在于，
所述融合与遥感数据的应用业务相关的问题文本和所述语义信息，得到回复所述问题文本的遥感文本信息，包括：
融合所述问题文本和所述语义信息，得到问题语义融合结果；
将所述问题语义融合结果输入大模型，以对所述问题语义融合结果进行聚类检索，生成回复所述问题文本的所述遥感文本信息；
其中，所述大模型为基于多模态数据集训练得到的。
6.根据权利要求1所述的遥感数据的处理方法，其特征在于，
所述根据所述问题文本识别所述目标数据，搜索识别后的所述目标数据的相关信息，得到遥感图像信息，包括：
将所述问题文本和所述目标数据输入大模型，以对所述目标数据进行识别，得到经过识别后的所述目标数据，以及根据所述问题文本搜索识别后的所述目标数据的相关信息，得到匹配所述问题文本的所述遥感图像信息；
其中，所述大模型为基于多模态数据集训练的。
7.根据权利要求1所述的遥感数据的处理方法，其特征在于，所述文本挖掘包括信息过滤和自动文摘，
所述对所述遥感文本信息和所述遥感图像信息进行文本挖掘，生成所述问题文本的遥感应答信息，包括：
根据所述与遥感数据的应用业务相关的问题文本对所述遥感文本信息和所述遥感图像信息进行信息过滤，得到与所述问题文本相关的遥感过滤信息；
将所述遥感过滤信息进行自动文摘处理，自动生成所述与遥感数据的应用业务相关的问题文本的遥感应答信息。
8.一种遥感数据的处理装置，其特征在于，所述遥感数据的处理装置包括：
数据存储模块，用于获取遥感数据；
语义处理模块，用于对所述遥感数据进行语义处理，得到所述遥感数据的语义信息；
迁移学习模块，用于对所述遥感数据进行迁移学习，以将所述遥感数据从遥感域迁移至视觉域，得到目标数据；
文本信息模块，用于融合与遥感数据的应用业务相关的问题文本和所述语义信息，得到回复所述问题文本的遥感文本信息；
图像信息模块，用于根据所述问题文本识别所述目标数据，搜索识别后的所述目标数据的相关信息，得到遥感图像信息；
应答模块，用于对所述遥感文本信息和所述遥感图像信息进行文本挖掘，生成所述问题文本对应的遥感应答信息。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有至少一条指令或者至少一段程序，所述至少一条指令或者所述至少一段程由所述处理器加载并执行以实现如权利要求1至7中任一项所述的遥感数据的处理方法。
10.一种计算机可读存储介质，所述存储介质中存储有至少一条指令或者至少一段程序，所述至少一条指令或者所述至少一段程序由处理器加载并执行以实现如权利要求1至7中任一项所述的遥感数据的处理方法。
CN202311069743.XA 2023-08-22 2023-08-22 遥感数据的处理方法、装置及设备 Pending CN117349784A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311069743.XA CN117349784A (zh) 2023-08-22 2023-08-22 遥感数据的处理方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311069743.XA CN117349784A (zh) 2023-08-22 2023-08-22 遥感数据的处理方法、装置及设备

Publications (1)

Publication Number Publication Date
CN117349784A true CN117349784A (zh) 2024-01-05

Family

ID=89363892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311069743.XA Pending CN117349784A (zh) 2023-08-22 2023-08-22 遥感数据的处理方法、装置及设备

Country Status (1)

Country Link
CN (1) CN117349784A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117556079A (zh) * 2024-01-12 2024-02-13 航天宏图信息技术股份有限公司 遥感影像内容检索方法、装置、电子设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117556079A (zh) * 2024-01-12 2024-02-13 航天宏图信息技术股份有限公司 遥感影像内容检索方法、装置、电子设备及介质
CN117556079B (zh) * 2024-01-12 2024-04-16 航天宏图信息技术股份有限公司 遥感影像内容检索方法、装置、电子设备及介质

Similar Documents

Publication Publication Date Title
EP3961484A1 (en) Medical image segmentation method and device, electronic device and storage medium
Yu et al. Convolutional neural networks for water body extraction from Landsat imagery
CN112651978B (zh) 舌下微循环图像分割方法和装置、电子设备、存储介质
US9230168B2 (en) Automatic generation of built-up layers from high resolution satellite image data
CN112950780A (zh) 一种基于遥感影像的网络地图智能生成方法及系统
CN117349784A (zh) 遥感数据的处理方法、装置及设备
CN116027324A (zh) 基于毫米波雷达的跌倒检测方法、装置及毫米波雷达设备
Liu et al. Registration of infrared and visible light image based on visual saliency and scale invariant feature transform
CN116385902A (zh) 一种遥感大数据处理方法、系统及云平台
Chandra et al. Human cognition based framework for detecting roads from remote sensing images
Li et al. Semantic segmentation of remote sensing images by interactive representation refinement and geometric prior-guided inference
Lin et al. Interoperability study of data preprocessing for deep learning and high-resolution aerial photographs for forest and vegetation type identification
CN117496347A (zh) 遥感影像建筑物提取方法、装置及介质
CN116543191A (zh) 一种多源遥感数据自适应融合地物分类方法
Varlik et al. Filtering airborne LIDAR data by using fully convolutional networks
CN115731476A (zh) 基于集成预测弱监督无人机多源高光谱点云语义分割方法
CN115905555A (zh) 基于多模数据处理与融合的电力数据分析方法
Qi et al. JAED-Net: joint attention encoder–decoder network for road extraction from remote sensing images
Ahmed et al. DeepRoadNet: A deep residual based segmentation network for road map detection from remote aerial image
CN114612520A (zh) 一种多目标跟踪方法、装置及系统
Ouchra et al. Comparison of Machine Learning Methods for Satellite Image Classification: A Case Study of Casablanca Using Landsat Imagery and Google Earth Engine
Miranda et al. Land Cover Classification through Ontology Approach from Sentinel-2 Satellite Imagery.
Xu et al. Identification of street trees’ main nonphotosynthetic components from mobile laser scanning data
Yu et al. A deep neural network using double self-attention mechanism for als point cloud segmentation
Wang et al. Information extraction of the vehicle from high-resolution remote sensing image based on convolution neural network

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