[发明专利]一种遥感影像语义分割的模型迁移训练方法

说明书

本发明公开了一种遥感影像语义分割的模型迁移训练方法，该方法包括如下步骤：D01：获取公开影像数据集；D02：提取并预处理公开影像数据集内部分影像数据，形成第一训练数据集；D03：对第一训练数据集训练，得到预训练模型；D04：预处理待预测影像数据集内影像数据，形成预测数据集；D05：通过预训练模型对预测数据集内影像数据进行效果预测，得到预测结果；D06：根据预测效果，判断分类准确率，处理并输出预测数据集内的预测结果；通过从公开影像数据集提取数据，充分利用公开数据，避免资源的浪费。有针对性的扩充影像数据集，能够加快模型迁移学习速度；通过训练模型，能够观察到遥感图像内效果较差的数据集，提高识别效果差的数据集的能力。

技术领域

本发明涉及遥感影像技术领域，具体为一种遥感影像语义分割的模型迁移训练方法。

背景技术

遥感影像是指记录各种地物电磁波大小的胶片或照片，主要分为航空像片和卫星像片，遥感图像是将多源遥感数据根据统一的地理坐标系采用算法生成新的信息或合成图像的过程，遥感图像融合将多种遥感平台、多种遥感数据与非遥感数据之间的信息进行匹配，融合后的数据有利于综合分析；

遥感数据是指根据对遥感影像对各地物的光谱、空间、纹理等特征进行分析，根据各地貌特征，对影像中的具体对象按照一定规则、模型和算法划分不同的地貌类型，并对不同土地的特征和水质类别进行划分，从而能够对地貌图像进行有效提取。

随着深度学习技术的发展，越来越多技术运用在遥感行业内。但是目前仍面临训练数据集的匮乏问题，尤其是迁移学习，对于不同空间分辨率，不同时相，不同地域的影像数据相同地物的图像表现上本身存在较大的差别，再加之人工标注费时费力，模型微调极为不便；

通常为获得更多范围的遥感数据，通常需要将幅面小或者影像经过处理并拼接在一起获得一幅完整的遥感图像。现有技术大都一开始就重新对数据集进行标注制作训练集进行从头训练，这样浪费了可用公开资源；或者采用多模型预测结果进行融合制作训练集进行从头训练，当出现脏数据或错误样本时，会很难发现问题导致预测效果较差。本发明就上述问题进行改善，针对性地洗牌扩充训练样本集，加快模型迁移学习速度。

发明内容

本发明的目的在于提供一种遥感影像语义分割的模型迁移训练方法，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：一种遥感影像语义分割的模型迁移训练方法，该方法包括如下步骤：

D01：获取公开影像数据集；

D02：提取并预处理公开影像数据集内部分影像数据，形成第一训练数据集；

D03：对第一训练数据集训练，得到预训练模型；

D04：预处理待预测影像数据集内影像数据，形成预测数据集；

D05：通过预训练模型对预测数据集内影像数据进行效果预测，得到预测结果；

D06：根据预测效果，判断分类准确率，处理并输出预测数据集内的预测结果。

进一步的，在所述步骤D06中，若检测到分类准确率小于预设标准准确率，执行如下步骤：

D061：对部分影像数据进行标注并预处理待预测影像数据集内数据，扩充到第一训练数据集形成第二训练数据集；

D062：将第二训练数据集在预训练模型上进行微调训练；

D063：多次迭代步骤D061-D062训练得到最优训练模型，并对预测数据集进行预测；

若检测到分类准确率大于或者等于预设标准准确率，输出预测数据集内结果。

进一步的，在步骤D02中，根据时相因素、地域因素和分辨率因素从公开影像数据集中提取，并形成所述第一训练数据集；