【技术实现步骤摘要】
本申请涉及计算机视觉，特别涉及一种基于知识驱动和数据驱动的遥感图像语义分割方法、系统、存储介质及电子装置。
技术介绍
1、知识是指人类在社会生产实践当中认识到的客观世界的规律，是信息通过加工后形成的，被用于解决问题。智能可以看作是获得知识和运用知识的一种过程，因此知识是人工智能的一部分。专家系统是最早的知识驱动方法，由斯坦福大学计算机科学家费根鲍姆教授提出。知识工程的概念同样也是费根鲍姆教授在第五届人工智能会议上提出的。知识工程是人工智能的原理和方法，以知识工程为代表的知识驱动的人工智能方法的过程为知识获取、知识表示，知识推理等过程。知识图谱是当今最流行也是效果最好的知识驱动方法，它使先前黯然失色的知识驱动方法重新流行起来。
2、数据驱动方法，顾名思义，就是以数据为核心构造的一系列方法。简单来说，就是以数据为核心进行决策和行动。数据驱动的人工智能方法，可分为数据采集、数据预处理、构建模型、提取特征、通过模型得到反馈五个步骤。其中第三个步骤是最为重要的，构建合适的模型，才能通过模型处理数据，才能得到数据反馈的结果。
3、现有技术中，遥感图像语义分割就是把遥感图像上不同类型的地物、物品提取出来，按类别以不同的颜色进行标注。目前以数据驱动的遥感图像语义分割方法，存在两个比较突出的难点。一、像素级精度问题。像素级精度是区分地物边界的重要数据，像素精度低在区分地物边界时的准确性就没那么高，这一点是图像语义分割的重点。二、非常规数据，在遥感领域里，高光谱数据(数十成百个谱段)、合成孔径雷达数据、点云数据，都和传统的自
4、为了合理化解决不同应用场景下的数据难度，亟需一种新的结合知识驱动以及数据驱动的方法，以解决上述现有技术存在的问题。
技术实现思路
1、本申请各示例性实施例提供一种基于知识驱动和数据驱动的遥感图像语义分割方法、系统、存储介质及电子装置，以至少实现将知识驱动和数据驱动结合起来，主要针对知识驱动领域的图卷积神经网络和数据驱动领域中深度学习方法内的visiontransformer模型结合来实现，获得提升在遥感图像语义分割领域的分割精度的技术效果。
2、本申请各示例性实施例提供一种基于知识驱动和数据驱动的遥感图像语义分割方法，包括如下步骤：
3、分割目标遥感图像，裁剪或缩放成尺寸为h*w*c的目标图片；
4、构建知识驱动模型，对所述目标图片进行超像素分割，得到超像素分割之后的目标图片数据，对所述目标图片数据提取超像素点位置矩阵和超像素点邻接关系矩阵，并将这两个矩阵作为所述知识驱动模型的输入，所述知识驱动模型的输出为h*w*n的第一特征图，n为非固定数值；
5、构建数据驱动模型，将所述目标遥感图像作为所述数据驱动模型的输入，所述数据驱动模型的输出为h*w*n的第二特征图，n为非固定数值；
6、构建解码器模型，融合所述知识驱动模型的输出与所述数据驱动模型的输出，作为所述解码器模型的输入，所述解码器模型的输出为逐像素分割语义图；
7、对所述逐像素分割语义图的进行损失函数的计算以及反向传播，对完整模型进行训练，获得最优完整模型。
8、在本申请的另一个方面，还提出了一种基于知识驱动和数据驱动的遥感图像语义分割系统，包括：
9、数据处理模块，配置为分割目标遥感图像，裁剪或缩放成尺寸为h*w*c的目标图片；
10、知识驱动模块，配置为对所述目标图片进行超像素分割，得到超像素分割之后的目标图片数据，对所述目标图片数据提取超像素点位置矩阵和超像素点邻接关系矩阵，并将这两个矩阵作为所述知识驱动模型的输入，所述知识驱动模型的输出为h*w*n的第一特征图，n为非固定数值；
11、数据驱动模块，配置为将所述目标遥感图像作为所述数据驱动模型的输入，所述数据驱动模型的输出为h*w*n的第二特征图，n为非固定数值；
12、解码器模块，配置为融合所述知识驱动模型的输出与所述数据驱动模型的输出，作为所述解码器模块的输入，所述解码器模块的输出为逐像素分割语义图；
13、反向传播模块，配置为对所述逐像素分割语义图的进行损失函数的计算以及反向传播，对完整系统进行训练，获得最优完整模型。
14、在本申请的另一个方面，还提出了一种计算机可读的存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
15、在本申请的另一个方面，还提出了一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
16、本申请具有如下有益效果：将知识驱动和数据驱动结合起来，主要针对知识驱动领域的图卷积神经网络和数据驱动领域中深度学习方法内的vision transformer模型结合来实现，最终达到高精度识别遥感图像语义分割的效果。运用到了两种不同类型的模型对其融合，大大提高了分割精度，减少了模型训练的时间，可以显著的减少对遥感图像进行数据标注和语义分割的成本。
本文档来自技高网...【技术保护点】
1.一种基于知识驱动和数据驱动的遥感图像语义分割方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于知识驱动和数据驱动的遥感图像语义分割方法，其特征在于，所述构建知识驱动模型，对所述目标图片进行超像素分割，得到超像素分割之后的目标图片数据，对所述目标图片数据提取超像素点位置矩阵和超像素点邻接关系矩阵，并将这两个矩阵作为所述知识驱动模型的输入，具体包括如下步骤：
3.如权利要求2所述的基于知识驱动和数据驱动的遥感图像语义分割方法，其特征在于，所述数据驱动模型，具体包括如下：
4.如权利要求3所述的基于知识驱动和数据驱动的遥感图像语义分割方法，其特征在于，所述transformer层，具体包括如下步骤：
5.如权利要求4所述的基于知识驱动和数据驱动的遥感图像语义分割方法，其特征在于，所述构建解码器模型，融合所述知识驱动模型的输出与所述数据驱动模型的输出，作为所述解码器模型的输入，所述解码器模型的输出为逐像素分割语义图的步骤，具体包括如下步骤：
6.如权利要求5所述的基于知识驱动和数据驱动的遥感图像语义分割方法，其特征
7.如权利要求1所述的基于知识驱动和数据驱动的遥感图像语义分割系统，其特征在于，包括：
8.一种计算机可读的存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的方法。
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任一项中所述的方法。
...【技术特征摘要】
1.一种基于知识驱动和数据驱动的遥感图像语义分割方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于知识驱动和数据驱动的遥感图像语义分割方法，其特征在于，所述构建知识驱动模型，对所述目标图片进行超像素分割，得到超像素分割之后的目标图片数据，对所述目标图片数据提取超像素点位置矩阵和超像素点邻接关系矩阵，并将这两个矩阵作为所述知识驱动模型的输入，具体包括如下步骤：
3.如权利要求2所述的基于知识驱动和数据驱动的遥感图像语义分割方法，其特征在于，所述数据驱动模型，具体包括如下：
4.如权利要求3所述的基于知识驱动和数据驱动的遥感图像语义分割方法，其特征在于，所述transformer层，具体包括如下步骤：
5.如权利要求4所述的基于知识驱动和数据驱动的遥感图像语义分割方法，其特征在于，所述构建解码器模型，融合所述知识...
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。