数据处理方法、船只跟踪方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及人工智能领域，具体涉及一种数据处理方法、船只跟踪方法、装置、设备及存储介质。包括如下步骤：获取待重建图像数据；提取待重建图像数据的特征信息；将特征信息作为预先构建的密集深度反馈网络的输入，密集深度反馈网络为多个上采样单元和多个下采样单元密集连接形成的网络架构，利用多个上采样单元和多个下采样单元对特征信息进行迭代误差反馈处理，输出高分辨率图像。密集深度反馈网络中的多个上采样单元和多个下采样单元对特征信息进行迭代误差反馈处理，反复交替地计算高分辨率图像和低分辨率图像，该过程可以理解为自我纠正的步骤，不停地将误差映射到卷积层/反卷积层上，从而改变图像的分辨率，最终得到效果好的高分辨率图像。好的高分辨率图像。好的高分辨率图像。

【技术实现步骤摘要】
数据处理方法、船只跟踪方法、装置、设备及存储介质


[0001]本专利技术涉及人工智能领域，具体涉及一种数据处理方法、船只跟踪方法、装置、设备及存储介质。

技术介绍

[0002]在遥感领域，视频卫星是一种新型对地观测卫星，它主要利用低轨视频成像卫星或者敏捷成像卫星来实现。
[0003]视频卫星与传统对地光学遥感卫星的最大不同就是它具有较高的时间分辨率，能够对一定区域进行连续观测，以视频录像的方式获得目标更多的运动变化信息，特别适合对运动目标的高分辨率观测，用于获得目标的运动速度和方向，而这些重要信息是传统对地光学遥感卫星难以获得的。卫星视频影像正成为一种重要的动态遥感大数据，广泛应用于自然灾害预报、地表三维建模、地球资源普查以及动态目标跟踪等方面。
[0004]相比于传统光学静态遥感卫星，视频卫星提高了时间分辨率、牺牲了空间分辨率。同时，视频的数据量远远大于单张遥感影像，随着视频卫星采集视频的数据量急剧攀升，为了适应信道传输能力，不得不对卫星所采集到的视频进行压缩，从而导致传回地面的视频空间分辨率大大降低、清晰度严重下降。
[0005]目前提出的超分辨率重建的深度网络中，大多采用前向结构学习输入的特征，并通过非线性映射到高分辨率输出中。然而，这些方法并没有考虑高分辨率图像和低分辨率图像之间的互相依赖性，从而导致超分辨重建效果不好。

技术实现思路

[0006]因此，本专利技术要解决的技术问题在于克服现有技术中超分辨重建效果不好的缺陷，从而提供一种影像数据处理方法，包括如下步骤：r/>[0007]获取待重建图像数据；
[0008]提取所述待重建图像数据的特征信息；
[0009]将所述特征信息作为预先构建的密集深度反馈网络的输入，所述密集深度反馈网络为多个上采样单元和多个下采样单元密集连接形成的网络架构，利用多个所述上采样单元和多个所述下采样单元对所述特征信息进行迭代误差反馈处理，输出高分辨率图像。
[0010]优选地，每个所述上采样单元与至少一个所述下采样单元连接，所有所述上采样单元的输出端串联。
[0011]优选地，所述上采样单元至少包括依次连接的第一反卷积层、第一卷积层和第二反卷积层，下采样单元至少包括依次连接的第二卷积层、第三反卷积层和第三卷积层；其中，所述卷积层用于对图像分辨率进行缩小；反卷积层用于对图像分辨率进行放大。
[0012]优选地，所述上采样单元的过程如下式：
[0013]第一反卷积层：
[0014]第一卷积层：
[0015]残差：
[0016]第二反卷积层：
[0017]输出：
[0018]其中，*表示卷积操作，L
t-1
表示第一反卷积层的输入，p
t
表示第一反卷积层，
↑
s
表示反卷积s倍，g
t
表示第一卷积层，
↓
s
表示卷积s倍，q
t
表示第二反卷积层；
[0019]所述下采样单元的过程如下式：
[0020]第二卷积层：
[0021]第三反卷积层：
[0022]残差：
[0023]第三卷积层：
[0024]输出：
[0025]其中，H
t
表示第二卷积层的输入，g
′
t
表示第二卷积层，p
′
t
表示第三反卷积层，g
′
t
表示第三卷积层。
[0026]优选地，所述提取待重建图像数据的特征信息包括：
[0027]先通过第四卷积层提取大量的特征信息，再经过第五卷积层减少特征信息的数量，其中，所述第四卷积层的卷积核大于第五卷积层的卷积核。
[0028]本专利技术还提供了一种船只跟踪方法，包括如下步骤：
[0029]获取拍摄到船只的待跟踪视频图像；
[0030]利用影像数据处理方法对所述待跟踪视频图像进行预处理，得到处理后的视频图像；
[0031]根据所述处理后的视频图像进行船只跟踪检测。
[0032]本专利技术还提供了一种影像数据处理装置，包括：
[0033]第一获取单元，用于获取待重建图像数据；
[0034]提取单元，用于提取所述待重建图像数据的特征信息；
[0035]输出单元，用于将所述特征信息作为预先构建的密集深度反馈网络的输入，所述密集深度反馈网络为多个上采样单元和多个下采样单元密集连接形成的网络架构，利用多个所述上采样单元和多个所述下采样单元对所述特征信息进行迭代误差反馈处理，输出高分辨率图像。
[0036]本专利技术还提供了一种船只跟踪装置，包括：
[0037]第二获取单元，用于获取拍摄到船只的待跟踪视频图像；
[0038]处理单元，用于利用影像数据处理方法对所述待跟踪视频图像进行预处理，得到处理后的视频图像；
[0039]跟踪单元，用于根据所述处理后的视频图像进行船只跟踪检测。
[0040]本专利技术还提供了一种电子设备，包括存储器和处理器，所述存储器和所述处理器
之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行影像数据处理方法或船只跟踪方法。
[0041]本专利技术还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行影像数据处理方法或船只跟踪方法。
[0042]本专利技术技术方案，具有如下优点：
[0043]1.本专利技术提供的影像数据处理方法，神经网络模型提取到待重建图像数据的特征信息，神经网络模型中的密集深度反馈网络对所提取的特征信息进行迭代误差反馈处理，即密集深度反馈网络中的多个上采样单元和多个下采样单元对特征信息进行迭代误差反馈处理，反复交替地计算高分辨率图像和低分辨率图像，该过程可以理解为自我纠正的步骤，不停地将误差映射到卷积层/反卷积层上，从而改变图像的分辨率，最终得到效果好的高分辨率图像。
[0044]2.本专利技术提供的影像数据处理装置，第一获取模块获取到低分辨率的图像，提取模块对所获取的低分辨率图像进行特征信息提取，输出单元中的密集深度反馈网络对所提取的特征信息进行迭代误差反馈处理，即密集深度反馈网络中的多个上采样单元和多个下采样单元对特征信息进行迭代误差反馈处理，反复交替地计算高分辨率图像和低分辨率图像，该过程可以理解为自我纠正的步骤，不停地将误差映射到卷积层/反卷积层上，从而改变图像的分辨率，最终得到效果好的高分辨率图像。
[0045]3.本专利技术提供的船只跟踪方法，利用影像数据处理方法对所获得的拍摄到船只的待跟踪视频图像进行预处理，得到效果好的高分辨率视频图像，利用处理后的视频图像进行船只跟踪检测，能够使得船只的跟着更加的精确，提高船只跟踪检测的效果更好，并减少跟踪检测的错误率。
[0046]4.本专利技术提供的船只跟踪装置，第二获取单元获取到拍摄有船只的待跟踪视频图像，处理单元对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种影像数据处理方法，其特征在于，包括如下步骤：获取待重建图像数据；提取所述待重建图像数据的特征信息；将所述特征信息作为预先构建的密集深度反馈网络的输入，所述密集深度反馈网络为多个上采样单元和多个下采样单元密集连接形成的网络架构，利用多个所述上采样单元和多个所述下采样单元对所述特征信息进行迭代误差反馈处理，输出高分辨率图像。2.如权利要求1所述的影像数据处理方法，其特征在于，每个所述上采样单元与至少一个所述下采样单元连接，所有所述上采样单元的输出端串联。3.如权利要求1所述的影像数据处理方法，其特征在于，所述上采样单元至少包括依次连接的第一反卷积层、第一卷积层和第二反卷积层，下采样单元至少包括依次连接的第二卷积层、第三反卷积层和第三卷积层；其中，所述卷积层用于对图像分辨率进行缩小；反卷积层用于对图像分辨率进行放大。4.如权利要求3所述的影像数据处理方法，其特征在于，所述上采样单元的过程如下式：第一反卷积层：第一卷积层：残差：第二反卷积层：输出：其中，*表示卷积操作，L
t-1
表示第一反卷积层的输入，p
t
表示第一反卷积层，
↑
s
表示反卷积s倍，g
t
表示第一卷积层，
↓
s
表示卷积s倍，q
t
表示第二反卷积层；所述下采样单元的过程如下式：第二卷积层：第三反卷积层：残差：第三卷积层：输出：其中，H
t
表示第二卷积层的输入，g
′
t
表示第二卷积层，p
′
t
表示第三反卷积层，g
′
t
...

【专利技术属性】
技术研发人员：邓练兵，刘增良，罗芳，文少杰，陈小满，
申请(专利权)人：珠海大横琴科技发展有限公司，
类型：发明
国别省市：