数据处理方法、服务器和存储介质技术

本申请提供一种数据处理方法、服务器和存储介质。该方法包括：服务器获取目标地理区域的影像数据。其中，该影像数据可以为遥感图像。服务器可以将该影像数据输入预先训练的分析模型。服务器可以通过该分析模型预测得到该影像数据对应的多个特征图像。其中，该分析模型可以为多任务学习模型。服务器可以根据预设的判断规则，从这些特征图像中提取对应的分析结果。服务器还可以将特征图像转换为热点图后，将热点图作为分析结果输出。该分析结果即为目标地理区域的分析结果。本申请的方法，提高了分析准确率。分析准确率。分析准确率。

【技术实现步骤摘要】
数据处理方法、服务器和存储介质


[0001]本申请涉及计算机视觉领域，尤其涉及一种数据处理方法、服务器和存储介质。

技术介绍

[0002]随着城市的不断发展，人们对于城市内生活质量的需要日益增强。为了提高人们的生活质量，研究人员会使用智慧城市，对城市空间进行规划，智能分配城市公共资源，以提高人们的生活质量。
[0003]智慧城市的实质是以人工智能技术为支撑的公共系统。目前，智慧城市可以在获取大量的城市数据的基础上，完成对城市空间的规划和城市公共资源的分配。
[0004]然而，现有技术中，城市数据采集速度慢采集难度高的情况，容易导致智慧城市的分析准确率低的问题。

技术实现思路

[0005]本申请提供一种数据处理方法、服务器和存储介质，用以解决现有技术中城市数据采集速度慢采集难度高的情况导致的智慧城市的分析准确率低的问题。
[0006]第一方面，本申请提供一种数据处理方法，包括：
[0007]获取目标地理区域的影像数据；
[0008]将所述影像数据输入预先训练的分析模型，预测得到所述影像数据对应的多个特征图像；
[0009]根据多个所述特征图像，生成所述目标地理区域的分析结果。
[0010]可选地，所述分析模型中包括一个编码器和多个解码器，所述将所述影像数据输入预选训练的分析模型，预测得到所述影像数据对应的多个特征图像，具体包括：
[0011]将所述影像数据输入到所述编码器中进行编码，得到编码特征；
[0012]将所述编码特征分别输入到多个解码器中，得到多个特征图像，每一所述解码器对应于一个所述特征图像。
[0013]可选地，所述特征图像包括人口密度分布图、城市交通分布图或者出行路径图中的至少一项，所述影像数据为遥感图像。
[0014]可选地，所述方法，还包括：
[0015]将所述训练样本集输入到所述分析模型中，预测得到每条影像数据样本对应的多个预测特征图像；
[0016]使用所述训练样本集中每条影像数据样本对应的多个样本特征图像、预测得到的每条影像数据样本对应的多个预测特征图像和每一特征图像对应的权重因子，计算得到所述分析模型的模型损失；
[0017]当所述模型损失小于损失阈值时，结束所述分析模型的训练；否则，使用所述模型损失优化所述分析模型中的参数，并循环执行上述步骤。
[0018]可选地，所述使用所述训练样本集中每条影像样本对应的多个样本特征图像、预
测得到的每条影像数据样本对应的多个预测特征图像和每一特征图像对应的权重因子，计算得到所述分析模型的模型损失，具体包括：
[0019]根据所述影像数据样本对应的多个样本特征图像和多个预测特征图像，确定所述影像数据样本的每一特征图像的特征损失；
[0020]统计当前迭代周期内每一所述预测特征图像的准确率，根据所述准确率，确定每一所述特征图像在当前迭代周期内的权重因子；
[0021]根据每一所述特征图像的所述特征损失和所述权重因子，确定所述分析模型的模型损失。
[0022]可选地，所述将所述训练样本集输入到所述分析模型之前，所述方法，还包括：
[0023]获取训练样本集，所述样本数据包括影像数据样本和所述影像样本对应的多个样本特征图像。
[0024]可选地，所述获取训练样本集，具体包括：
[0025]获取真实样本集，所述真实样本集中每条样本数据包括真实影像数据和所述真实影像数据对应的多个真实特征图像；
[0026]使用训练后的仿真模型生成仿真样本集，所述仿真样本集中每条样本数据包括仿真影像数据和所述仿真影像数据对应的多个仿真特征图像；
[0027]融合所述真实样本集和所述仿真样本集，得到训练样本集。
[0028]可选地，所述方法，还包括：
[0029]将真实样本集中的每一真实影像数据和其对应的多个真实特征图像，分别作为一个通道，组合得到所述仿真模型的输入数据；
[0030]在对所述输入数据进行三维卷积后，对每一所述通道进行特征提取，得到第一特征数据；
[0031]将所述第一特征数据输入所述仿真模型的生成器，生成仿真数据；
[0032]对所述仿真数据进行二维卷积后，进行整体特征提取，得到第二特征数据；
[0033]将所述第二特征数据输入所述仿真模型的判别器，对所述仿真数据进行分类；
[0034]根据所述仿真数据的分类结果，生成第一损失和第二损失；
[0035]使用所述第一损失反向优化所述生成器，以及使用所述第二损失反向优化所述判别器。
[0036]第二方面，本申请提供一种数据处理装置，包括：
[0037]获取模块，用于获取目标地理区域的影像数据；
[0038]处理模块，用于将所述影像数据输入预先训练的分析模型，预测得到所述影像数据对应的多个特征图像；根据多个所述特征图像，生成所述目标地理区域的分析结果。
[0039]可选地，所述分析模型中包括一个编码器和多个解码器，所述处理模块，具体用于：
[0040]将所述影像数据输入到所述编码器中进行编码，得到编码特征；
[0041]将所述编码特征分别输入到多个解码器中，得到多个特征图像，每一所述解码器对应于一个所述特征图像。
[0042]可选地，所述特征图像包括人口密度分布图、城市交通分布图或者出行路径图中的至少一项，所述影像数据为遥感图像。
[0043]可选地，所述数据处理装置，还包括第一模型训练模块，所述第一模型训练模块，用于：
[0044]将所述训练样本集输入到所述分析模型中，预测得到每条影像数据样本对应的多个预测特征图像；
[0045]使用所述训练样本集中每条影像数据样本对应的多个样本特征图像、预测得到的每条影像数据样本对应的多个预测特征图像和每一特征图像对应的权重因子，计算得到所述分析模型的模型损失；
[0046]当所述模型损失小于损失阈值时，结束所述分析模型的训练；否则，使用所述模型损失优化所述分析模型中的参数，并循环执行上述步骤。
[0047]可选地，所述第一模型训练模块，具体用于：
[0048]根据所述影像数据样本对应的多个样本特征图像和多个预测特征图像，确定所述影像数据样本的每一特征图像的特征损失；
[0049]统计当前迭代周期内每一所述预测特征图像的准确率，根据所述准确率，确定每一所述特征图像在当前迭代周期内的权重因子；
[0050]根据每一所述特征图像的所述特征损失和所述权重因子，确定所述分析模型的模型损失。
[0051]可选地，所述将所述训练样本集输入到所述分析模型之前，所述第一模型训练模块，还用于：
[0052]获取训练样本集，所述样本数据包括影像数据样本和所述影像样本对应的多个样本特征图像。
[0053]可选地，所述第一模型训练模块，具体用于：
[0054]获取真实样本集，所述真实样本集中每条样本数据包括真实影像数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法，其特征在于，所述方法包括：获取目标地理区域的影像数据；将所述影像数据输入预先训练的分析模型，预测得到所述影像数据对应的多个特征图像；根据多个所述特征图像，生成所述目标地理区域的分析结果。2.根据权利要求1所述的方法，其特征在于，所述分析模型中包括一个编码器和多个解码器，所述将所述影像数据输入预选训练的分析模型，预测得到所述影像数据对应的多个特征图像，具体包括：将所述影像数据输入到所述编码器中进行编码，得到编码特征；将所述编码特征分别输入到多个解码器中，得到多个特征图像，每一所述解码器对应于一个所述特征图像。3.根据权利要求2所述的方法，其特征在于，所述特征图像包括人口密度分布图、城市交通分布图或者出行路径图中的至少一项，所述影像数据为遥感图像。4.根据权利要求1
‑
3中任一项所述的方法，其特征在于，所述方法，还包括：将训练样本集输入到所述分析模型中，预测得到所述训练样本集的每条样本数据中的影像数据样本对应的多个预测特征图像；使用所述训练样本集中每条影像数据样本对应的多个样本特征图像、预测得到的每条影像数据样本对应的多个预测特征图像和每一特征图像对应的权重因子，计算得到所述分析模型的模型损失；当所述模型损失小于损失阈值时，结束所述分析模型的训练；否则，使用所述模型损失优化所述分析模型中的参数，并循环执行上述步骤。5.根据权利要求4所述的方法，其特征在于，所述使用所述训练样本集中每条影像样本对应的多个样本特征图像、预测得到的每条影像数据样本对应的多个预测特征图像和每一特征图像对应的权重因子，计算得到所述分析模型的模型损失，具体包括：根据所述影像数据样本对应的多个样本特征图像和多个预测特征图像，确定所述影像数据样本的每一特征图像的特征损失；统计当前迭代周期内每一所述预测特征图像的准确率，根据所述准确率，确定每一所述特征图像在当前迭代周期内的权重因子；根据每一所述特征图像的所述特征损失和所述权重因子，确定所述分析模型的模型损失。6.根据权利要求4所述的方法，其特征在于，所...

【专利技术属性】
技术研发人员：邹小刚，蔡芳发，周波，苗瑞，梁书玉，
申请(专利权)人：深圳市海清视讯科技有限公司，
类型：发明
国别省市：