[发明专利]一种时序卷积网络模型、模型训练和目标识别方法、装置

权利要求书

1.一种时序卷积网络模型，其特征在于，包括：

输入层（1）、多卷积结构（2）、特征融合层（3）以及输出层（4）；

所述多卷积结构（2）包括图像特征提取子结构（21）和时序特征提取子结构（22）；

所述输入层（1）用于接收所述时序卷积网络模型的输入图像并分别导入所述图像特征提取子结构（21）和所述时序特征提取子结构（22）；所述输入图像包括原始图像和多个时序图像，所述时序图像为所述原始图像之前时刻的图像；

所述图像特征提取子结构（21）对导入的所述原始图像进行卷积计算，提取出图像特征；所述图像特征提取子结构（21）包括多层第二卷积层（211），每层所述第二卷积层（211）对输入的所述原始图像的图像特征逐层进行卷积运算；所述多层第二卷积层（211）中每层所述第二卷积层（211）在进行卷积运算时，先将其前一层的所述第二卷积层（211）的卷积运算结果与所述原始图像叠加后再进行卷积运算；

所述时序特征提取子结构（22）对导入的多个所述时序图像进行卷积计算，提取出时序特征；所述时序特征提取子结构（22）包括第一卷积层（221）和残差单元层（222）；每层所述第一卷积层（221）对输入的多个所述时序图像的时序特征逐层进行卷积运算，每层所述残差单元层（222）对所述时序特征进行残差运算；

所述时序特征提取子结构（22）中，所述第一卷积层（221）的数量为3层，所述残差单元层（222）的数量为2层，且所述第一卷积层（221）和所述残差单元层（222）的设置顺序为：所述第一卷积层（221）、所述第一卷积层（221）、所述残差单元层（222）、所述第一卷积层（221）和所述残差单元层（222）；

所述特征融合层（3），用于对所述图像特征和所述时序特征融合得到数据特征；

所述输出层（4），用于对所述数据特征进行数据分类，并输出分类结果。

2.一种时序卷积网络模型训练方法，其特征在于，包括：

获取原始图像和之前时刻的多个时序图像；

对所述原始图像进行标注；

将所述原始图像和多个所述时序图像输入权利要求1中所述的时序卷积网络模型，得到分类结果图像；

根据所述分类结果图像和标注后的所述原始图像计算总损失函数的值；

根据所述总损失函数的值调整所述时序卷积网络模型的参数，直至所述总损失函数的值收敛。

3.根据权利要求2所述的时序卷积网络模型训练方法，其特征在于，所述分类结果图像中的类别包括夜间城市灯光、夜间低云大雾、夜间电力故障和夜间火灾中的至少一种。

4.根据权利要求2所述的时序卷积网络模型训练方法，其特征在于，所述原始图像和所述时序图像为相同地点的不同时刻图像。

5.根据权利要求2所述的时序卷积网络模型训练方法，其特征在于，所述获取原始图像和之前时刻的多个时序图像，包括：

获取当前时刻的微光遥感图像和之前时刻的微光遥感图像；

在当前时刻的所述微光遥感图像上确定特殊像素点；

以所述特殊像素点为中心提取其周围像素点，与所述特殊像素点组成所述原始图像；

根据所述原始图像中所述像素点的坐标，在之前时刻的所述微光遥感图像中提取同样坐标的像素点，组成所述时序图像。

6.一种目标识别方法，其特征在于，包括：

获取待识别图像和之前多个时刻的多个时序图像；

将所述待识别图像和多个所述时序图像输入预设的时序卷积网络模型中，得到分类结果图像；所述时序卷积网络模型采用如权利要求2-5中任一项所述的时序卷积网络模型训练方法训练获得，或者，所述时序卷积网络模型为权利要求1中所述的时序卷积网络模型；

根据所述分类结果图像得到所述待识别图像的识别结果。