[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

说明书

本发明提供了一种灾损识别模型的训练方法、装置、设备以及存储介质，其中，方法，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，将所述像素平均值作为对应所述特征图的像素平均值；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；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；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像素平均值进行校正。本发明的有益效果：实现了对待识别图片中可以实现自行筛选出有效信息的特征，将有效信息强度高的特征能更加有效的筛选，提高了灾损识别模型的精度。

技术领域

本发明涉及人工智能领域，特别涉及一种灾损识别模型的训练方法、装置、设备以及存储介质。

背景技术

传统的灾损识别模型涉及的卷积、池化等运算是针对特征图上的点无差异进行的，这种全局无差异的处理方式无法区分不同特征之间的差异性，传统的灾损识别模型无法自行筛选出有效信息的特征以及提取有效信息强度高的特征。

发明内容

本发明的主要目的为提供一种灾损识别模型的训练方法、装置、设备以及存储介质，旨在解决传统的灾损识别模型无法自行筛选出有效信息的特征的问题。

本发明提供了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。

进一步地，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。

进一步地，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。

进一步地，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；