[发明专利]一种遥感影像的模型自训练和优化系统

权利要求书

1.一种遥感影像的模型自训练和优化系统，其特征在于，包括模型训练系统、模型预测系统和模型优化系统；

所述模型训练系统用于用户自主选择预置模型，并创建满足自身场景需求的模型，在上传、标注图片后进行模型训练，训练完成后即进行预测服务的上线；

所述模型预测系统基于完成训练的模型，用户调用相关的API接口，上传遥感影像对该区域地物的分割、检测；

所述模型优化系统用于将检测的遥感影像作为训练样本再次投入到模型训练中，即从模型的训练到预测再到模型的优化，形成一个完整产品闭环；

所述模型训练系统包括以下步骤：

S1：数据采集：

针对遥感影像三大应用方向：斜框检测、地类分割和变化检测，建立不同的数据集，为保证样本数据的代表性和多样性，分别选择预设的五种分辨率的遥感影像，并分别按照省份区域选择预设省级区域内的预设面积的遥感影像，提高模型的泛化能力；

S2：数据标注的具体过程如下：

SS1：斜框检测模型的数据标注支持矩形框标注方式，按照标注对象外包框标进行矩形框的绘制；

标注对象包括：耕地、林地、草地、大棚、体育馆、火车站、飞机场、一般建筑、公园、池塘、水库、天然湖、高尔夫球场、操场共计14种常用统计地物；每一类地物类型按照影像分辨率等比例均匀选择；

SS2：地类分割模型的数据标注支持多边形、折线、涂抹、交互式分割多种标注方式，将土地地类按照预设规则划分为耕地、园地、林地、草地、商服用地、工矿仓储用地、住宅用地、公共管理与公共服务用地、特殊用地、交通运输用地、水域及水利设施用地和其他土地；

SS3:变化检测模型模型的数据标注支持多边形、折线、涂抹、交互式分割多种标注方式，标注对象为耕地、草地、水体、道路、建筑、林园地、裸土、人工堆掘地、施工地和构筑物地类之间的互相变化，并标注变化类型，并且针对建筑类，当前后两期影像建筑存在结构上的变化时，进行标注，因影像时态产生的影像变化，在地类不改变的情况下，不予标注；

S3：模型构建：基于标注好的影像数据进行高维度的问题抽象和解决，构建features和label之间的隐含关系，通过参数调整，特征优化以进行效果表达，通过目标函数的拟合，生呈最终数据；

所述模型预测系统内容如下：

模型预测系统采用的评估包括：准确率、精确率、F值、AUC、NDCG，通过评估指标用于调整模型的参数，除以测试集进行模型预测外，以大量未标注遥感影像进行ABTest以验证模型；

在ABTest过程中，新上的模型往往由于其不确定性，初始给予较小的流量进行效果测试，当其效果优于base组模型，则分配更多的流量；

所述模型优化系统的具体内容如下：

模型优化的过程机对模型和数据进行迭代升级的过程，影像因素包括：基础数据、构造特征、算法选择、实验策略、排序结果及前端位置展示；

在应用算法模型的整个过程中，利用ABTest实验，利用大量遥感数据的分割、检测结果，进行人工优化，加入到训练集中，通过逐步的训练迭代获取结果。

2.根据权利要求1所述的一种遥感影像的模型自训练和优化系统，其特征在于：所述自训练和优化系统基于线上系统运行，所述线上系统包括运行在电脑端的可视化交互界面以及运行在服务器Linux端的安全管理引擎、数据管理引擎、模型训练引擎，模型应用引擎，所述建立算法模型通过GPU服务器进行模型训练，底层开发技术为PaddleClass、PaddleDetection和PaddleSeg。

3.根据权利要求1所述的一种遥感影像的模型自训练和优化系统，其特征在于：所述步骤S3模型构建中，采用的算法包括基于loss值的提前终止法、对遥感影像执行翻转、旋转、裁剪、变形和缩放等操作的数据增强法、在一定的概率上随机让一部分神经元不工作的Dropout办法相结合的方式避免模型过拟合。

4.根据权利要求1所述的一种遥感影像的模型自训练和优化系统，其特征在于：所述地类分割模型采用的通用语义分割任务的网络结构包括：DeepLabV3+、PSPNet与OCRNet，全部采用了考虑上下文信息的方法，根据mIoU分数，选择融合OCR(backbone为HRNet-W64)与DeepLabV3+(back-bone为ResNet101)作为最终的地类分割模型。

5.根据权利要求1所述的一种遥感影像的模型自训练和优化系统，其特征在于：所述变化检测模型采用FPNRes-Unet模型，该模型适用于处理遥感影像中不同尺寸的物体或不同分辨率遥感影像的多尺度问题，将影像的浅层细节信息和深层语义信息融合，该模型以Unet为基础，并且为了使输入和输出影像的尺寸相同，在每一次卷积后使用边界填充；

在编码路径中，用ResNet18的残差结构替换Unet所有卷积层来提取影像特征，在解码路径每级上采样的过程中添加支路径，将FPN融合到模型的网络主干中，通过预测上采样步骤中每个尺度不同的分类结果，优化Unet模型只对原始分辨率层输出的不足，在反向传播和权重更新中利用多尺度信息，将各层的特征图用于独立预测，充分利用各层的特征进行建筑物的变化检测。