[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

说明书

本发明提供了一种时序卷积网络模型、模型训练和目标识别方法、装置，涉及遥感图像识别技术领域。时序卷积网络模型包括：输入层、多卷积结构、特征融合层以及输出层；多卷积结构包括图像特征提取子结构和时序特征提取子结构；输入层用于接收时序卷积网络模型的输入图像并分别导入图像特征提取子结构和时序特征提取子结构；图像特征提取子结构用于提取出图像特征；时序特征提取子结构用于提取出时序特征；特征融合层用于对图像特征和时序特征融合得到数据特征；输出层用于对数据特征进行数据分类，并输出分类结果。本方案通过提取输入图像上的重要时序特征，以实现对多个类别的目标进行识别。

技术领域

本发明涉及遥感图像识别技术领域，具体而言，涉及一种时序卷积网络模型、模型训练和目标识别方法、装置。

背景技术

微光卫星能够捕捉城镇灯光，火灾发出的亮光以及大雾反射的光等光源，生成微光遥感影像。微光遥感图像具有覆盖范围广，时间分辨率高，信息源可靠且成本较低等诸多优势，且与人类的活动具有较高的相关性，通过微光遥感图像来检测发现人类的一些活动与一些气象状况等，可以提高检测效率，及时捕捉重要信息。

现有的对于微光遥感图像的目标识别都是基于遥感图像的图像特征对部分类别进行的，如低空大雾，夜间城市灯光等与图像特征关联较强的目标类别；但是对于夜间电力故障、夜间火灾等与图像特征关联较弱与时序特征关联较强的目标是无法识别的。

因此，迫切需要一种可以识别具有时序特征类别的网络模型及识别方法。

发明内容

本发明解决的问题是如何识别时序特征的目标类别。

为解决上述问题，本发明首先提供一种时序卷积网络模型，其包括：

输入层、多卷积结构、特征融合层以及输出层；

所述多卷积结构包括图像特征提取子结构和时序特征提取子结构；

所述输入层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和所述时序特征提取子结构；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；

所述时序特征提取子结构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；

所述特征融合层，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，用于对所述数据特征进行数据分类，并输出分类结果。

这样，通过所述图像特征提取子结构提取出图像特征，对所述时序特征提取子结构提取出时序特征，通过图像特征和时序特征的融合，提取输入图像上的重要时序特征，从而实现对多个类别的目标进行识别。

可选地，所述时序特征提取子结构包括第一卷积层和残差单元层；每层所述第一卷积层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对所述时序特征进行残差运算。

这样，通过残差单元层的设计，残差单元层可以使深度网络模型层数增加，极大地提高了网络模型的表示能力，具有防止训练过程中梯度消失和梯度爆炸的能力。

可选地，所述时序特征提取子结构中，所述第一卷积层的数量为3层，所述残差单元层的数量为2层，且所述第一卷积层和所述残差单元层的设置顺序为：所述第一卷积层、所述第一卷积层、所述残差单元层、所述第一卷积层和所述残差单元层。

这样，对所述输入图像的时序图像的时序特征输入所述时序特征提取子结构之后，经过第一卷积层和残差单元层，从而提取出时序特征。

可选地，所述图像特征提取子结构包括多层第二卷积层，每层所述第二卷积层对输入的所述原始图像的图像特征逐层进行卷积运算。