[發明專利]地表覆蓋影像的分類方法、裝置和電子設備

有效

• 申請號: 202011224287.8
• 申請日: 2020-11-05
• 公開（公告）號: CN112329852B
• 公開（公告）日: 2022-04-05
• 發明（設計）人: 吳鵬志;劉金偉;趙航
• 申請（專利權）人: 西安銳思數智科技股份有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06K9/62
• 代理公司: 北京國昊天誠知識產權代理有限公司 11315
• 代理人: 王思超

1.一種地表覆蓋影像的分類方法，其特征在于，包括：

獲取一景地表覆蓋影像；

對所述一景地表覆蓋影像進行劃分，獲取目標訓練數據；

對所述目標訓練數據進行深度學習，訓練目標分類模型；

將所述一景地表覆蓋影像輸入所述目標分類模型，獲得所述一景地表覆蓋影像的分類結果；

對所述一景地表覆蓋影像進行劃分，獲取目標訓練數據，包括：

從所述一景地表覆蓋影像的面積中劃分預定比例的區域，作為所述目標訓練數據；

所述預定比例與所述一景地表覆蓋影像的影像質量負相關；和/或所述預定比例與所述一景地表覆蓋影像中的地類數量正相關；

在對所述一景地表覆蓋影像進行劃分，獲取目標訓練數據之后，所述方法包括：

對所述目標訓練數據進行評估；

在所述目標訓練數據的目標參數不滿足預定評估條件的情況下，顯示用于提示擴充目標訓練數據的提醒信息；

其中，所述目標參數包括：所述目標訓練數據中地表類型的數量、所述目標訓練數據中每種地表類型總的面積大小，以及所述目標訓練數據中每種地表類型的面積占 其所述目標訓練數據總面積的比例中的至少一者。

2.根據權利要求1所述的分類方法，其特征在于，所述預定比例為5％-20％。

3.根據權利要求1所述的分類方法，其特征在于，對所述目標訓練數據進行深度學習，訓練目標分類模型，包括：

通過目標參數配置多種候選模型，所述目標參數包括以下參數中的至少一者：主干神經網絡類型、模型類型、訓練的學習速率、學習速率的調度策略、訓練使用的優化器；

根據預定模型評估條件，從所述多種候選模型確定所述目標分類模型。

4.根據權利要求1所述的分類方法，其特征在于，所述對所述目標訓練數據進行深度學習，訓練目標分類模型，包括：

接收任意尺寸的所述目標訓練數據；

采用上采樣算法對最后一個卷積層的特征圖進行上采樣，使所述特征圖恢復到所述目標訓練數據的尺寸；

對所述目標訓練數據中的每個像素產生預測，并保留所述目標訓練數據的空間信息；

在所述上采樣的特征圖上進行逐像素分類；

逐個像素計算分類的損失,每一個像素對應一個訓練樣本。

5.一種地表覆蓋影像的分類裝置，其特征在于，包括：

獲取模塊，用于獲取一景地表覆蓋影像；

劃分模塊，用于對所述一景地表覆蓋影像進行劃分，獲取目標訓練數據；

訓練模塊，用于對所述目標訓練數據進行深度學習，訓練目標分類模型；

處理模塊，用于將所述一景地表覆蓋影像輸入所述目標分類模型，獲得所述一景地表覆蓋影像的分類結果；

所述劃分模塊用于：

從所述一景地表覆蓋影像的面積中劃分預定比例的區域，作為所述目標訓練數據；

所述預定比例與所述一景地表覆蓋影像的影像質量負相關；和/或所述預定比例與所述一景地表覆蓋影像中的地類數量正相關；

所述劃分模塊用于：在對所述一景地表覆蓋影像進行劃分，獲取目標訓練數據之后，對所述目標訓練數據進行評估；

在所述目標訓練數據的目標參數不滿足預定評估條件的情況下，顯示用于提示擴充目標訓練數據的提醒信息；

其中，所述目標參數包括：所述目標訓練數據中地表類型的數量、所述目標訓練數據中每種地表類型總的面積大小，以及所述目標訓練數據中每種地表類型的面積占 其所述目標訓練數據總面積的比例中的至少一者。

6.根據權利要求5所述的分類裝置，其特征在于，所述預定比例為5％-20％。

7.根據權利要求5所述的分類裝置，其特征在于，所述訓練模塊用于：通過目標參數配置多種候選模型，所述目標參數包括以下參數中的至少一者：主干神經網絡類型、模型類型、訓練的學習速率、學習速率的調度策略、訓練使用的優化器；

根據預定模型評估條件，從所述多種候選模型確定所述目標分類模型。