本发明专利技术提供一种语义识别模型的训练方法、语义识别方法及相关装置，语义识别模型的训练方法包括：获取第一图像、第二图像、第一图像对应的第一标注图、第二图像对应的第二标注图；其中，第一标注图标注有第一图像相对于第二图像的第一变化区域以及第一变化区域对应的第一语义属性，第二标注图标注有第二图像相对于第一图像的第二变化区域以及第二变化区域对应的第二语义属性；将第一图像和第二图像叠加，得到组合图像；利用组合图像、第一标注图以及第二标注图对初始模型进行训练，得到语义识别模型。仅标注有变化的区域以及属性，降低了人工干预，并且降低耗时。并且能够充分利用多通道优势，使得训练得到的语义识别模型性能好，识别结果精确。识别结果精确。识别结果精确。
【技术实现步骤摘要】
语义识别模型的训练方法、语义识别方法及相关装置
[0001]本专利技术涉及遥感影像处理
，尤其是涉及一种语义识别模型的训练方法、语义识别方法及相关装置。
技术介绍
[0002]随着电子信息技术的不断发展，卫星遥感成像技术也取得了飞速的进步。遥感技术借助人造卫星，空间实验室等探测仪器，从远距离(4000km
‑
6000km)获取目标物体的电磁波信息，并形成一种多层次，多视角，多领域的观测体系，多时相遥感影像语义变化检测技术，就是利用多张不同时间点拍摄的同一地表区域的遥感影像所呈现的信息，在相互比较，多种处理手段下确定地表覆盖变化特征和过程，并且将遥感影像中变化的像元赋予变化前后对应的语义信息。
[0003]遥感影像语义变化检测技术可以分为传统方法和利用深度学习方法，传统方法例如分类法，GIS法，主成分分析法等，都会因为土地覆盖种类复杂多样性的特点导致耗时久，精度低等问题，并且需要大量的人工干预；随着深度学习等人工智能技术的发展，基于深度学习的多时相遥感影像语义变化检测克服了以上的缺点，成为了主流的方法。
[0004]遥感影像的语义变化检测在多个领域都有着广泛的应用，例如城市规划治理，资源勘探，环境监测，公共安全灾害预测和战场情报分析等。因此对于遥感影像语义变化检测的研究具有重要的价值。因此需要一种能够准确识别遥感影响的语义变化的方法。
技术实现思路
[0005]本专利技术提供一种语义识别模型的训练方法、语义识别方法及相关装置，该方法能够降低人工干预，减少标注耗时时间，并且训练得到的语义识别模型性能好，识别结果精确。
[0006]为解决上述技术问题，本专利技术提供的第一个技术方案为：提供一种语义识别模型的训练方法，包括：获取第一图像、第二图像、所述第一图像对应的第一标注图、所述第二图像对应的第二标注图；其中，所述第一标注图标注有所述第一图像相对于所述第二图像的第一变化区域以及所述第一变化区域对应的第一语义属性，所述第二标注图标注有所述第二图像相对于所述第一图像的第二变化区域以及所述第二变化区域对应的第二语义属性；将所述第一图像和所述第二图像叠加，得到组合图像；利用所述组合图像、所述第一标注图以及所述第二标注图对初始模型进行训练，得到所述语义识别模型。
[0007]为解决上述技术问题，本专利技术提供的第二个技术方案为：提供一种语义识别模型的训练装置，语义识别模型的训练装置包括：获取模块，用于获取第一图像、第二图像、所述第一图像对应的第一标注图、所述第二图像对应的第二标注图；其中，所述第一标注图标注有所述第一图像相对于所述第二图像的第一变化区域以及所述第一变化区域对应的第一语义属性，所述第二标注图标注有所述第二图像相对于所述第一图像的第二变化区域以及所述第二变化区域对应的第二语义属性；叠加模块，用于将所述第一图像和所述第二图像
叠加，得到组合图像；训练模块，用于利用所述组合图像、所述第一标注图以及所述第二标注图对初始模型进行训练，得到所述语义识别模型。
[0008]为解决上述技术问题，本专利技术提供的第三个技术方案为：提供一种语义识别方法，包括：获取待识别影像，所述待识别影像包括第一待识别影像以及第二待识别影像；利用语义识别模型对所述待识别影像进行识别，所述语义识别模型通过上述任一项所述的方法训练得到。
[0009]为解决上述技术问题，本专利技术提供的第四个技术方案为：提供一种语义识别装置，包括：获取模块，用于获取待识别影像，所述待识别影像包括第一待识别影像以及第二待识别影像；识别模块，用于利用语义识别模型对所述待识别影像进行识别，所述语义识别模型通过上述任一项所述的方法训练得到。
[0010]为解决上述技术问题，本专利技术提供的第五个技术方案为：提供一种电子设备，包括：存储器和处理器，其中，存储器存储有程序指令，处理器从存储器调取程序指令以执行上述任一项的方法。
[0011]为解决上述技术问题，本专利技术提供的第六个技术方案为：提供一种计算机可读存储介质，存储有程序文件，程序文件能够被执行以实现上述任一项的方法。
[0012]本专利技术的有益效果，区别于现有技术的情况，本专利技术的第一标注图标注有所述第一图像相对于所述第二图像的第一变化区域以及所述第一变化区域对应的第一语义属性，第二标注图标注有所述第二图像相对于所述第一图像的第二变化区域以及所述第二变化区域对应的第二语义属性。仅标注有变化的区域以及属性，降低了人工干预，并且降低耗时。将所述第一图像和所述第二图像叠加，得到组合图像；利用所述组合图像、所述第一标注图以及所述第二标注图对初始模型进行训练，得到所述语义识别模型。以此能够充分利用多通道优势，使得训练得到的语义识别模型性能好，识别结果精确。
附图说明
[0013]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：
[0014]图1为本专利技术语义识别模型的训练方法的一实施例的流程示意图；
[0015]图2为图1中步骤S13的一实施例的示意图；
[0016]图3为本专利技术语义识别模型的训练装置的一实施例的结构示意图；
[0017]图4为本专利技术语义识别方法的一实施例的流程示意图；
[0018]图5a
‑
图5b为图4中步骤S41的一实施例的示意图；
[0019]图6为本专利技术语义识别装置的一实施例的结构示意图；
[0020]图7为本专利技术电子设备的一实施例的结构示意图；
[0021]图8为本专利技术计算机可读存储介质的一实施例的结构示意图。
具体实施方式
[0022]现有技术提出一种基于改进模糊C均值聚类的语义变化检测方法及系统，该方法
整合了遥感影像预处理，底层特征提取，改进模糊C均值算法，高级视觉词典映射，语义变化信息提取等思想，兼顾了高分辨率遥感影像丰富的区域结构信息，弥补像元级光谱统计特征难以扫描复杂目标的局限性，自动提取影像的高层语义变化信息，有效提高了处理的时效性和精度。该方法的主要缺点是：采用了特征向量提取模块，用于多时相遥感影像重叠分块，提取底层特征向量组合，但不同时相间的图像由于时间，空间，季节性导致具有多种多样的特征差异，对不同时相影像单独提取特征向量的操作会引入大量的不确定性误差；采用特征向量模糊聚类划分，实现底层特征到高级视觉词汇的映射，但以上方法隶属于传统算法，需要对整幅图像进行像素预分类和标记，模糊C均值聚类算法得到特定特征向量的像素变化集的同时，需要耗费大量的计算资源和时间。
[0023]现有技术还提供一种基于多模态特征融合的双时相遥感影像语义变化检测方法，该方法通过分别对不同时相的图像进行多类别语义分割，再进行变化检测，可以捕捉多个时相的类别变化关系，在检测出变化像素的同时，检测出像素变化前后的所属类别，应用范围更广泛，同时满足端到端处理，不本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种语义识别模型的训练方法，其特征在于，包括：获取第一图像、第二图像、所述第一图像对应的第一标注图、所述第二图像对应的第二标注图；其中，所述第一标注图标注有所述第一图像相对于所述第二图像的第一变化区域以及所述第一变化区域对应的第一语义属性，所述第二标注图标注有所述第二图像相对于所述第一图像的第二变化区域以及所述第二变化区域对应的第二语义属性；将所述第一图像和所述第二图像叠加，得到组合图像；利用所述组合图像、所述第一标注图以及所述第二标注图对初始模型进行训练，得到所述语义识别模型。2.根据权利要求1所述的方法，其特征在于，所述第一图像以及所述第二图像分别为同一区域不同时间的图像。3.根据权利要求1所述的方法，其特征在于，所述获取第一图像、第二图像、所述第一图像对应的第一标注图、所述第二图像对应的第二标注图的步骤，包括：对所述第一图像以及所述第二图像进行图像配准、通道拉伸、图像数值归一化以及数据增强中至少一种处理；以及对所述组合图像、所述第一标注图以及所述第二标注图进行预处理操作，所述预处理操作包括随机旋转、水平/垂直翻转、添加图像扭曲、尺度缩放、添加噪声干扰以及颜色变化中至少一种。4.根据权利要求1所述的方法，其特征在于，所述利用所述组合图像、所述第一标注图以及所述第二标注图对初始模型进行训练，得到所述语义识别模型的步骤，包括：对所述组合图像、所述第一标注图以及所述第二标注图进行下采样处理，得到第一特征图；对所述第一特征图进行上采样处理，得到第二特征图；将所述第一特征图以及所述第二特征图进行拼接，以得到特征图；利用基于交并比的语义分割损失函数基于所述特征图得到所述语义识别模型。5.根据权利要求4所述的方法，其特征在于，所述对所述组合图像、所述第一标注图以及所述第二标注图进行下采样处理，得到第一特征图的步骤，包括：依次利用卷积层、非线性激活函数以及最大值池化层对所述组合图像、所述第一标注图以及所述第二标注图进行处理，得到所述第一特征图。6.根据权利要求4所述的方法，其特征在于，所述对所述第一特征图进行上采样处理，得到第二特征图的步骤，包括：依次利用上采样卷积层、归一化层、卷积层对所述第一特征图进行处理，得到所述第二特征图。7.根据权利要求4所述的方法，其特征在于，所述利用基于交并比的语义分割损失函数基于所述特征图得到所述语义识别模型的步骤，之前还包括：依次利用3
×
3的卷积层、ReLU激活函数、1
×
1的卷积层对所述特征图进行处理。8.根据权利要求4所述的方法，其特征在于，所述利用基于交并比的语义分割损失函数基于所述特征图得到所述语义识别模型的步骤，还包括：采用MultiStepL...
【专利技术属性】
技术研发人员：陈一彬，马子昂，汪鹏飞，殷俊，
申请(专利权)人：浙江大华技术股份有限公司，
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。