【技术实现步骤摘要】
本申请涉及人工智能、金融科技领域或其他相关领域，尤其涉及一种遥感图像识别模型生成方法、装置、设备、介质及产品。
技术介绍
1、在金融领域中，一般采用卫星遥感影像进行工程贷后监控，遥感图像识别模型的精度和效率尤为重要。为了对遥感图像识别模型进行快速迭代优化，需要大量的遥感训练样本。
2、目前，高精度遥感图像产出难度大，且业务一般选择按季度甚至按年进行遥感图像获取，模型很难学习足够的目标样本进行训练。
3、因此，目前遥感训练样本数量较少，导致遥感图像识别模型训练生成效果不佳、迭代速度较慢。
技术实现思路
1、本申请提供一种遥感图像识别模型生成方法、装置、设备、介质及产品，用以解决目前遥感训练样本数量较少，导致遥感图像识别模型训练效果生成不佳、迭代速度较慢的问题。
2、本申请第一方面提供一种遥感图像识别模型生成方法，包括：
3、获取待生成遥感训练样本对应的图像描述文本和示例图像；
4、将所述图像描述文本输入训练至收敛的语义理解模型，生成对应识别要素信息和背景描述信息；
5、将所述识别要素信息和所述示例图像输入训练至收敛的遥感图像分割大模型，生成识别要素信息对应的分割图像和分割图像中各像素对应的识别要素类别；所述示例图像至少包括识别要素信息对应的识别要素；
6、将所述背景描述信息输入训练至收敛的背景生成模型，生成遥感背景图；
7、将所述分割图像、分割图像中各像素对应的识别要素类别和遥感背景图进行
8、基于所述遥感训练样本对预设遥感图像识别模型进行训练，生成对应目标遥感图像识别模型。
9、进一步地，如上所述的方法，所述遥感图像分割大模型包括：编码器和解码器；
10、所述将所述识别要素信息和所述示例图像输入训练至收敛的遥感图像分割大模型，生成识别要素信息对应的分割图像和分割图像中各像素对应的识别要素类别，包括：
11、采用编码器对所述示例图像进行特征提取和图像分块处理生成所述示例图像对应的位置表示向量和编码信息矩阵；
12、采用解码器基于所述识别要素信息对所述位置表示向量和所述编码信息矩阵进行注意力机制处理和分类预测处理，生成图像识别要素对应的分割图像和分割图像中各像素对应的识别要素类别。
13、进一步地，如上所述的方法，所述编码器包括swin-transformer网络结构；
14、所述采用编码器对所述示例图像进行特征提取和图像分块处理生成所述示例图像对应的位置表示向量和编码信息矩阵，包括：
15、采用编码器对所述示例图像进行特征提取和图像分块处理，生成图像块对应的图像特征向量和图像块之间相对位置对应的位置特征向量；
16、根据图像块对应的图像特征向量和图像块之间相对位置向量生成所述示例图像对应的位置表示向量；
17、将位置表示向量输入所述swin-transformer网络结构中，生成所有图像块对应的编码信息矩阵。
18、进一步地，如上所述的方法，所述解码器包括注意力层和swin-transformer网络结构；
19、所述采用解码器基于所述识别要素信息对所述位置表示向量和所述编码信息矩阵进行注意力机制处理和分类预测处理，生成图像识别要素对应的分割图像和分割图像中各像素对应的识别要素类别，包括：
20、根据所述位置表示向量、所述识别要素信息和注意力层，生成对应原始注意力图；
21、根据所述编码信息矩阵、所述识别要素信息和注意力层，生成对应编码注意力图；
22、基于原始注意力图对编码注意力图进行拟合，并将拟合后的编码注意力图输入swin-transformer网络结构中，生成与所述图像特征向量相同尺寸的分割图像；
23、将分割图像进行分类预测处理，生成分割图像中各像素对应的识别要素类别。
24、进一步地，如上所述的方法，所述将所述分割图像、分割图像中各像素对应的识别要素类别和遥感背景图进行融合，生成遥感训练样本，包括：
25、将所述分割图像中各像素对应的识别要素类别进行二值化处理，生成各像素对应的掩码标注；
26、对所述分割图像和所述遥感背景图进行融合，生成对应融合图像；
27、融合所述掩码标注和所述融合图像，生成遥感训练样本。
28、进一步地，如上所述的方法，所述对所述分割图像和所述遥感背景图进行融合，生成对应融合图像，包括：
29、将所述分割图像和遥感背景图进行尺寸同化处理，以使处理后的分割图像和遥感背景图的尺寸相同；
30、基于预设光谱响应函数将处理后的分割图像进行卷积重采样，生成全色波段的模拟灰度值；
31、对处理后的遥感背景图进行施密特正交化变换，生成对应施密特正交化变换结果；
32、基于预设均值方差调整算法对模拟灰度值进行对应调整，生成调整后的模拟灰度值；
33、将调整后的模拟灰度值替换施密特正交化变换结果中的第一分量，并对施密特正交化变换结果进行施密特正交化逆变换，生成逆变换结果；
34、去除逆变换结果中的第一个波段，生成所述分割图像和遥感背景图融合后对应的融合图像。
35、进一步地，如上所述的方法，所述背景生成模型为人工智能图像生成模型；
36、所述将所述背景描述信息输入训练至收敛的背景生成模型，生成遥感背景图，包括：
37、采用人工智能图像生成模型从所述背景描述信息中确定图像关键字；
38、采用人工智能图像生成模型基于所述图像关键字生成对应遥感背景图。
39、进一步地，如上所述的方法，所述将所述识别要素信息和所述示例图像输入训练至收敛的遥感图像分割大模型，生成识别要素信息对应的分割图像和分割图像中各像素对应的识别要素类别之前，还包括：
40、获取训练样本，所述训练样本中包括：遥感训练图像和遥感训练图像对应的标注信息；
41、将所述训练样本输入到预设遥感图像分割大模型中，并基于预设随机遮掩模块对所述预设遥感图像分割大模型进行训练；所述预设随机遮掩模块用于在所述预设遥感图像分割大模型进行图像分块处理时随机遮掩图像块的像素；
42、根据所述预设遥感图像分割大模型输出的分割图像和分割图像中各像素对应的识别要素类别确定所述预设遥感图像分割大模型是否满足预设的收敛条件；
43、若所述预设遥感图像分割大模型满足收敛条件，则将满足收敛条件的预设遥感图像分割大模型确定为训练至收敛的遥感图像分割大模型。
44、进一步地，如上所述的方法，所述基于所述遥感训练样本对预设遥感图像识别模型进行训练，生成对应目标遥感图像识别模型，包括：
45、将所述遥感训练样本按照预设比例分为训练集和验证集；
46、采用训练集对预设遥感图像识别模型进行迭代训练，生成各迭本文档来自技高网...
【技术保护点】
1.一种遥感图像识别模型生成方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述遥感图像分割大模型包括：编码器和解码器；
3.根据权利要求2所述的方法，其特征在于，所述编码器包括swin-transformer网络结构；
4.根据权利要求3所述的方法，其特征在于，所述解码器包括注意力层和swin-transformer网络结构；
5.根据权利要求4所述的方法，其特征在于，所述将所述分割图像、分割图像中各像素对应的识别要素类别和遥感背景图进行融合，生成遥感训练样本，包括：
6.根据权利要求5所述的方法，其特征在于，所述对所述分割图像和所述遥感背景图进行融合，生成对应融合图像，包括：
7.根据权利要求6所述的方法，其特征在于，所述背景生成模型为人工智能图像生成模型；
8.根据权利要求1至7任一项所述的方法，其特征在于，所述将所述识别要素信息和所述示例图像输入训练至收敛的遥感图像分割大模型，生成识别要素信息对应的分割图像和分割图像中各像素对应的识别要素类别之前，还包括：
10.一种遥感图像识别模型生成装置，其特征在于，包括：
11.一种电子设备，其特征在于，包括：存储器和处理器；
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至9任一项所述的遥感图像识别模型生成方法。
13.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至9任一项所述的遥感图像识别模型生成方法。
...【技术特征摘要】
1.一种遥感图像识别模型生成方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述遥感图像分割大模型包括：编码器和解码器；
3.根据权利要求2所述的方法，其特征在于，所述编码器包括swin-transformer网络结构；
4.根据权利要求3所述的方法，其特征在于，所述解码器包括注意力层和swin-transformer网络结构；
5.根据权利要求4所述的方法，其特征在于，所述将所述分割图像、分割图像中各像素对应的识别要素类别和遥感背景图进行融合，生成遥感训练样本，包括：
6.根据权利要求5所述的方法，其特征在于，所述对所述分割图像和所述遥感背景图进行融合，生成对应融合图像，包括：
7.根据权利要求6所述的方法，其特征在于，所述背景生成模型为人工智能图像生成模型；
8.根据权利要求1至7任一项所...
【专利技术属性】
技术研发人员：杨晓诚，冯如，许政伟，李铁岭，
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。