[发明专利]灾损识别模型的训练方法、装置、设备以及存储介质

权利要求书

1.一种灾损识别模型的训练方法，其特征在于，包括：

获取灾损识别模型中各个通道的特征图；

获取各所述特征图的像素点，计算每个所述特征图中各像素点的像素平均值；

将各所述特征图以及各所述特征图分别对应的像素平均值进行归一化处理，得到各个通道的增益参数；其中，所述归一化处理的函数为sigmiod激活函数；

将各所述增益参数进行标准化处理，得到各个通道的目标权重值；其中，标准化处理后得到的所有所述目标权重值之和为1；

将所述目标权重值输入至所述灾损识别模型中对各个所述通道的权重值进行校正。

2.如权利要求1所述的灾损识别模型的训练方法，其特征在于，所述将各所述特征图以及各所述特征图分别对应的像素平均值进行归一化处理，得到各个通道的增益参数的步骤，包括：

获取各通道内的卷积层至隐藏层的第一权重向量，以及所述隐藏层至输出层的第二权重向量；

将各通道的所述第一权重向量、第二权重向量以及所述灾损识别模型的权重向量依次输入至增益参数计算公式中，得到各个通道对应的所述增益参数；其中，所述灾损识别模型的权重向量根据各所述特征图的像素平均值排列得到，所述增益参数计算公式为表示第m个通道对应的增益参数，W₁表示第一权重向量，W₂表示第二权重向量，z表示所述灾损识别模型的权重向量，δ为预设的参数。

3.如权利要求1所述的灾损识别模型的训练方法，其特征在于，所述计算每个所述特征图中各像素点的像素平均值的步骤，包括：

将各个所述特征图的像素点依次输入至像素平均值计算公式中，得到各个所述特征图分别对应的像素平均值，将所述像素平均值作为对应所述特征图的像素平均值；其中，所述像素平均值计算公式为其中，z_k为第k个所述特征图对应的像素平均值，X表示所述特征图的高度，W表示所述特征图的宽度，u_k(i，j)表示第k个特征图在高度为i和宽度为j处的像素点。

4.如权利要求1所述的灾损识别模型的训练方法，其特征在于，所述获取各所述特征图的像素点的步骤之前，还包括：

将各个所述特征图输入至RGB颜色模型中，得到各个所述特征图在RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值；

根据公式：F1＝MIN{ROUND[(a1R+a2G+a3B)/L,0],A}，获取参考数值F1，其中MIN为最小值函数，ROUND为四舍五入函数，a1、a2、a3均为大于0且小于L的正数，L为大于0的整数，A为预设的取值在范围(0,255)之内第一阈值参数，R、G、B分别为所述特征图中的指定像素点的RGB颜色模型中的R颜色通道的数值、G颜色通道的数值和B颜色通道的数值；

判断所述参考数值F1的值是否等于A；

若所述参考数值F1的值不等于A，则根据公式：F2＝MAX{ROUND[(a1R+a2G+a3B)/L,0],K}，获取参考数值F2，其中MIN为最大值函数，K为预设的取值在范围(0,255)之内第二阈值参数，并且K大于A；

判断所述参考数值F2的值是否等于K；

若所述参考数值F2的值不等于K，则将该像素点的RGB颜色设置为(255,255,255)。

5.如权利要求1所述的灾损识别模型的训练方法，其特征在于，所述将各所述特征图以及各所述特征图分别对应的像素平均值进行归一化处理，得到各个通道的增益参数的步骤，包括：

将各个所述特征图的各个像素点U＝[u_1,1,u_1,2,…,u_i,j,…,u_H,W]，依次输入公式q＝W_sq·中进行空间激励，得到中间特征图；其中u_i,j为所述特征图中坐标为(i,j)的像素点，W_sq为预设的空间向量，q为所述中间特征图；

将所述中间特征图输入特征值计算函数中进行计算，计算后得到所述中间特征图中各个像素点对应的特征值；

将各所述特征值按照预设的权重分配公式进行，得到各个所述中间特征图的各个像素点的权重激励参数；其中，所述权重激励参数为所述增益参数。