[發(fā)明專利]一種基于模型自訓(xùn)練的地基云圖像云檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011637512.0
• 申請(qǐng)日: 2020-12-31
• 公開（公告）號(hào): CN112669298A
• 公開（公告）日: 2021-04-16
• 發(fā)明（設(shè)計(jì)）人: 葉亮;閔華松;林云漢
• 申請(qǐng)（專利權(quán)）人: 武漢科技大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/136;G06K9/46;G06K9/62;G06N20/20
• 代理公司: 武漢智正誠專利代理事務(wù)所(普通合伙) 42278
• 代理人: 熊遠(yuǎn)

本發(fā)明公開了一種基于模型自訓(xùn)練的地基云圖像云檢測(cè)方法，具體公開了通過獲取地基云樣本圖像，確定已標(biāo)注超像素樣本和未標(biāo)注超像素樣本，根據(jù)已標(biāo)注超像素樣本，確定訓(xùn)練樣本集，根據(jù)所述訓(xùn)練樣本集，對(duì)預(yù)設(shè)的分類器模型進(jìn)行訓(xùn)練，得到分類模型，循環(huán)選取部分所述未標(biāo)注超像素樣本更新至所述訓(xùn)練樣本集，并對(duì)所述分類模型重復(fù)迭代訓(xùn)練，在檢測(cè)到所述未標(biāo)注超像素樣本全部更新至所述訓(xùn)練樣本集，確定訓(xùn)練后的分類模型為目標(biāo)分類模型。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種基于模型自訓(xùn)練的地基云圖像云檢測(cè)方法。

背景技術(shù)

圖像處理是一種采用計(jì)算機(jī)對(duì)圖像進(jìn)行分析，以達(dá)到所需結(jié)果的技術(shù)。目前地基云圖像云檢測(cè)方法多采用無監(jiān)督學(xué)習(xí)的圖像分割算法以及基于監(jiān)督學(xué)習(xí)的云檢測(cè)方法，通過將地基云圖像分割問題轉(zhuǎn)化為圖像局部區(qū)域的二分類問題。其中，基于監(jiān)督學(xué)習(xí)的云檢測(cè)方法主要分為兩類，一類是基于傳統(tǒng)機(jī)器學(xué)習(xí)模型，例如先將地基云圖像劃分為若干個(gè)很小的局部(一般稱之為超像素)，再對(duì)這些小的局部進(jìn)行特征提取，以這些超像素為樣本數(shù)據(jù)或者分類預(yù)測(cè)的對(duì)象，通過樣本來訓(xùn)練模型，最后用訓(xùn)練好的模型對(duì)要分析的地基云圖像進(jìn)行局部的二分類；另一類是基于深度學(xué)習(xí)模型，例如直接設(shè)計(jì)一個(gè)復(fù)雜的卷積神經(jīng)網(wǎng)絡(luò)，通過大量的標(biāo)注數(shù)據(jù)對(duì)該卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，由該網(wǎng)絡(luò)模型對(duì)預(yù)測(cè)圖像直接進(jìn)行分析，得到檢測(cè)分割之后的結(jié)果。

然而，上述無監(jiān)督學(xué)習(xí)的分割算法雖然速度較快，但是其對(duì)圖像成像環(huán)境及成像質(zhì)量的適應(yīng)性較差。在實(shí)際的地基云觀測(cè)過程中，因?yàn)闀r(shí)間、地理位置、氣候環(huán)境等各種原因造成的地基云圖像的視覺差異非常復(fù)雜，無監(jiān)督的分割算法所使用的特征往往較為簡(jiǎn)單，表征能力有限、魯棒性弱，因此其結(jié)果特別不穩(wěn)定；而監(jiān)督學(xué)習(xí)的方法，普遍需要大量的標(biāo)注樣本，尤其是基于深度學(xué)習(xí)模型的，由于模型參數(shù)量巨大，對(duì)樣本數(shù)量要求非常高，在實(shí)際過程中，樣本的標(biāo)注非常耗時(shí)耗力，成本太高。同時(shí)由于不同地理位置的氣候特點(diǎn)、空氣質(zhì)量等環(huán)境均不同，且會(huì)隨著時(shí)間年代的推移發(fā)生變化，因此，當(dāng)外部條件發(fā)生變化，為了更好地模型預(yù)測(cè)效果，使用當(dāng)?shù)鼗虍?dāng)時(shí)的真實(shí)觀測(cè)圖像進(jìn)行重訓(xùn)練幾乎是無法避免的，而標(biāo)注的需求量大給這樣的模型優(yōu)化訓(xùn)練工作帶來了極大的成本和阻礙。

上述內(nèi)容僅用于輔助理解本發(fā)明的技術(shù)方案，并不代表承認(rèn)上述內(nèi)容是現(xiàn)有技術(shù)。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于提供了一種基于模型自訓(xùn)練的地基云圖像云檢測(cè)方法，旨在提供一種地基云圖像云檢測(cè)的魯棒性和適應(yīng)性強(qiáng)，且對(duì)標(biāo)注樣本的需求少的地基云圖像云檢測(cè)方法。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種地基云圖像分類模型的訓(xùn)練方法，包括：

獲取地基云樣本圖像，確定已標(biāo)注超像素樣本和未標(biāo)注超像素樣本；

根據(jù)已標(biāo)注超像素樣本，確定訓(xùn)練樣本集；

根據(jù)所述訓(xùn)練樣本集，對(duì)預(yù)設(shè)的分類器模型進(jìn)行訓(xùn)練，得到分類模型；

循環(huán)選取部分所述未標(biāo)注超像素樣本更新至所述訓(xùn)練樣本集，并對(duì)所述分類模型重復(fù)迭代訓(xùn)練；

在檢測(cè)到所述未標(biāo)注超像素樣本全部更新至所述訓(xùn)練樣本集，確定訓(xùn)練后的分類模型為目標(biāo)分類模型。

優(yōu)選地，所述根據(jù)所述訓(xùn)練樣本集，對(duì)預(yù)設(shè)的分類器模型進(jìn)行訓(xùn)練，得到分類模型的步驟之后，所述循環(huán)選取部分所述未標(biāo)注超像素樣本更新至所述訓(xùn)練樣本集，并對(duì)所述分類模型重復(fù)迭代訓(xùn)練的步驟之前，還包括：

確定所述未標(biāo)注超像素樣本的偽標(biāo)簽及其置信度；

相應(yīng)地，所述循環(huán)選取部分所述未標(biāo)注超像素樣本更新至所述訓(xùn)練樣本集，并對(duì)所述分類模型重復(fù)迭代訓(xùn)練的步驟，具體包括：

根據(jù)所述未標(biāo)注超像素樣本的偽標(biāo)簽及其置信度，循環(huán)選取部分所述未標(biāo)注超像素樣本更新至所述訓(xùn)練樣本集，并對(duì)所述分類模型重復(fù)迭代訓(xùn)練。

優(yōu)選地，所述確定所述未標(biāo)注超像素樣本的偽標(biāo)簽及其置信度的步驟，包括：