本发明专利技术提供一种预设遥感图像重叠阴影分割模型训练方法及装置，涉及深度学习技术领域，可用于金融领域或其他技术领域。所述方法包括：生成所述遥感图像的超像素图像；根据超像素图像中有标注的超像素点和无标注的超像素点，构建有标注的超像素点和无标注的超像素点之间的语义相似度矩阵；根据所述语义相似度矩阵构建标签传播矩阵，获取卷积神经网络的特征矩阵，并根据所述标签传播矩阵和所述特征矩阵进行迭代计算，得到标注有标签的特征矩阵；通过所述有标签的特征矩阵训练所述卷积神经网络，得到训练完成的预设遥感图像重叠阴影分割模型。所述装置执行上述方法。本发明专利技术实施例提供的方法及装置，节约大量时间和人工成本。节约大量时间和人工成本。节约大量时间和人工成本。
【技术实现步骤摘要】
一种预设遥感图像重叠阴影分割模型训练方法及装置
[0001]本专利技术涉及深度学习
，具体涉及一种预设遥感图像重叠阴影分割模型训练方法及装置。
技术介绍
[0002]遥感图像包含大量的图像信息，需要对遥感图像进行分割，从而得到需要的图像信息。
[0003]现有技术通过建立图像分割模型来实现图像分割，图像分割模型是完全监督的，依赖于大规模有标注的数据集进行训练，如果训练所需要的有标注的数据集不足，会使得遥感图像中地物边缘分割模糊，在遥感图像中存在大量阴影，包括建筑物阴影，其中的阴影易重叠，并且相互投射阴影，造成纹理细节难以分辨的问题。但是，要获得大规模有标注的数据集这需要耗费大量的时间和人工成本。
技术实现思路
[0004]针对现有技术中的问题，本专利技术实施例提供一种预设遥感图像重叠阴影分割模型训练方法及装置，能够至少部分地解决现有技术中存在的问题。
[0005]一方面，本专利技术提出一种预设遥感图像重叠阴影分割模型训练方法，包括：
[0006]根据遥感图像中建筑物的阴影部分的稀疏标注点数量，确定待生成超像素的超像素数量，并根据所述超像素数量、所述稀疏标注点数量以及所述遥感图像中的像素点信息生成所述遥感图像的超像素图像；
[0007]根据超像素图像中有标注的超像素点和无标注的超像素点，构建有标注的超像素点和无标注的超像素点之间的语义相似度矩阵；
[0008]根据所述语义相似度矩阵构建标签传播矩阵，获取卷积神经网络的特征矩阵，并根据所述标签传播矩阵和所述特征矩阵进行迭代计算，得到标注有标签的特征矩阵；
[0009]通过所述有标签的特征矩阵训练所述卷积神经网络，得到训练完成的预设遥感图像重叠阴影分割模型。
[0010]其中，所述根据超像素图像中有标注的超像素点和无标注的超像素点，构建有标注的超像素点和无标注的超像素点之间的语义相似度矩阵，包括：
[0011]以各有标注的超像素点分别为基准，分别计算与作为基准的超像素点在预设距离数值以内的各无标注的超像素点与作为基准的超像素点之间的欧氏距离；
[0012]将各欧氏距离作为所述语义相似度矩阵中的矩阵元素，得到所述语义相似度矩阵。
[0013]其中，所述根据所述语义相似度矩阵构建标签传播矩阵，包括：
[0014]根据预设超参数和所述语义相似度矩阵，获取对角矩阵；所述预设超参数为大于1的预设数值，且作为所述语义相似度矩阵和语义相似度矩阵元素的幂次；
[0015]根据所述对角矩阵、所述预设超参数和所述语义相似度矩阵，构建所述标签传播
矩阵。
[0016]其中，所述根据所述标签传播矩阵和所述特征矩阵进行迭代计算，得到标注有标签的特征矩阵，包括：
[0017]对所述特征矩阵进行矢量化处理，将所述标签传播矩阵与矢量化处理后的特征矩阵相乘，将相乘结果赋予矢量化处理后的特征矩阵，并继续执行将所述标签传播矩阵与矢量化处理后的特征矩阵相乘，将相乘结果赋予矢量化处理后的特征矩阵，直到执行次数达到预设迭代次数；
[0018]将此时的矢量化处理后的特征矩阵作为标注有标签的特征矩阵。
[0019]其中，所述卷积神经网络包括依次相连的基于滤波的自动编码器、级联压缩双注意力模块和密集自动解码器；
[0020]所述基于滤波的自动编码器包含卷积核的尺度信息和方向信息；所述级联压缩双注意力模块包括感受野多尺度特征提取子模块、重叠阴影的边界特征提取子模块和所述遥感图像的识别对象类别特征提取子模块；所述感受野多尺度特征提取子模块输出的各级联感受野分支通道分别与所述边界特征提取子模块和所述识别对象类别特征提取子模块相连接。
[0021]其中，所述感受野多尺度特征提取子模块包括逐级递增卷积层数量或卷积核大小的级联感受野分支通道。
[0022]其中，基于所述预设遥感图像重叠阴影分割模型训练方法的遥感图像分割方法，包括：
[0023]获取遥感图像，并对所述遥感图像进行图像处理；
[0024]基于所述预设遥感图像重叠阴影分割模型对经过图像处理后的遥感图像进行分割处理，得到去除重叠后的阴影分割图像。
[0025]其中，所述遥感图像分割方法还包括：
[0026]周期性执行根据阴影分割图像确定所述遥感图像中的阴影长度，并根据太阳高度角和所述阴影长度计算可反映建筑物高度的杆长；
[0027]根据相邻周期的杆长差值，确定所述建筑物在所述相邻周期内的高度变化量；
[0028]根据所述高度变化量监测所述建筑物的施工进度。
[0029]一方面，本专利技术提出一种预设遥感图像重叠阴影分割模型训练装置，包括：
[0030]生成单元，用于根据遥感图像中建筑物的阴影部分的稀疏标注点数量，确定待生成超像素的超像素数量，并根据所述超像素数量、所述稀疏标注点数量以及所述遥感图像中的像素点信息生成所述遥感图像的超像素图像；
[0031]构建单元，用于根据超像素图像中有标注的超像素点和无标注的超像素点，构建有标注的超像素点和无标注的超像素点之间的语义相似度矩阵；
[0032]计算单元，用于根据所述语义相似度矩阵构建标签传播矩阵，获取卷积神经网络的特征矩阵，并根据所述标签传播矩阵和所述特征矩阵进行迭代计算，得到标注有标签的特征矩阵；
[0033]训练单元，用于通过所述有标签的特征矩阵训练所述卷积神经网络，得到训练完成的预设遥感图像重叠阴影分割模型。
[0034]再一方面，本专利技术实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
[0035]所述处理器和所述存储器通过所述总线完成相互间的通信；
[0036]所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：
[0037]根据遥感图像中建筑物的阴影部分的稀疏标注点数量，确定待生成超像素的超像素数量，并根据所述超像素数量、所述稀疏标注点数量以及所述遥感图像中的像素点信息生成所述遥感图像的超像素图像；
[0038]根据超像素图像中有标注的超像素点和无标注的超像素点，构建有标注的超像素点和无标注的超像素点之间的语义相似度矩阵；
[0039]根据所述语义相似度矩阵构建标签传播矩阵，获取卷积神经网络的特征矩阵，并根据所述标签传播矩阵和所述特征矩阵进行迭代计算，得到标注有标签的特征矩阵；
[0040]通过所述有标签的特征矩阵训练所述卷积神经网络，得到训练完成的预设遥感图像重叠阴影分割模型。
[0041]本专利技术实施例提供一种非暂态计算机可读存储介质，包括：
[0042]所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：
[0043]根据遥感图像中建筑物的阴影部分的稀疏标注点数量，确定待生成超像素的超像素数量，并根据所述超像素数量、所述稀疏标注点数量以及所述遥感图像中的像素点信息生成所述遥感图像的超像素图像；
[0044]根据超像素图像中有标注的超本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种预设遥感图像重叠阴影分割模型训练方法，其特征在于，包括：根据遥感图像中建筑物的阴影部分的稀疏标注点数量，确定待生成超像素的超像素数量，并根据所述超像素数量、所述稀疏标注点数量以及所述遥感图像中的像素点信息生成所述遥感图像的超像素图像；根据超像素图像中有标注的超像素点和无标注的超像素点，构建有标注的超像素点和无标注的超像素点之间的语义相似度矩阵；根据所述语义相似度矩阵构建标签传播矩阵，获取卷积神经网络的特征矩阵，并根据所述标签传播矩阵和所述特征矩阵进行迭代计算，得到标注有标签的特征矩阵；通过所述有标签的特征矩阵训练所述卷积神经网络，得到训练完成的预设遥感图像重叠阴影分割模型。2.根据权利要求1所述的预设遥感图像重叠阴影分割模型训练方法，其特征在于，所述根据超像素图像中有标注的超像素点和无标注的超像素点，构建有标注的超像素点和无标注的超像素点之间的语义相似度矩阵，包括：以各有标注的超像素点分别为基准，分别计算与作为基准的超像素点在预设距离数值以内的各无标注的超像素点与作为基准的超像素点之间的欧氏距离；将各欧氏距离作为所述语义相似度矩阵中的矩阵元素，得到所述语义相似度矩阵。3.根据权利要求2所述的预设遥感图像重叠阴影分割模型训练方法，其特征在于，所述根据所述语义相似度矩阵构建标签传播矩阵，包括：根据预设超参数和所述语义相似度矩阵，获取对角矩阵；所述预设超参数为大于1的预设数值，且作为所述语义相似度矩阵和语义相似度矩阵元素的幂次；根据所述对角矩阵、所述预设超参数和所述语义相似度矩阵，构建所述标签传播矩阵。4.根据权利要求1所述的预设遥感图像重叠阴影分割模型训练方法，其特征在于，所述根据所述标签传播矩阵和所述特征矩阵进行迭代计算，得到标注有标签的特征矩阵，包括：对所述特征矩阵进行矢量化处理，将所述标签传播矩阵与矢量化处理后的特征矩阵相乘，将相乘结果赋予矢量化处理后的特征矩阵，并继续执行将所述标签传播矩阵与矢量化处理后的特征矩阵相乘，将相乘结果赋予矢量化处理后的特征矩阵，直到执行次数达到预设迭代次数；将此时的矢量化处理后的特征矩阵作为标注有标签的特征矩阵。5.根据权利要求1至4任一所述的预设遥感图像重叠阴影分割模型训练方法，其特征在于，所述卷积神经网络包括依次相连的基于滤波的自动编码器、级联压缩双注意力模块和密集自动解码器；所述基于滤波的自动编码器...
【专利技术属性】
技术研发人员：冯如，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。