[发明专利]地表覆盖分类模型训练方法、地表覆盖分类方法及装置

权利要求书

1.一种地表覆盖分类模型训练方法，其特征在于，所述方法包括：

获取训练集，所述训练集包括样本图像和对应的标注信息；

将所述样本图像输入地表覆盖分类初始模型进行特征提取，得到特征图像；

对所述特征图像进行第一类特征处理得到第一特征，利用所述第一特征预测第一分类结果；

对所述特征图像进行第二类特征处理得到第二特征，并提取所述第一特征的深层特征得到第三特征，融合所述第二特征和所述第三特征，利用融合后的特征预测第二分类结果；

利用所述标注信息计算所述第一分类结果和所述第二分类结果的总损失并进行反向传播，以调整所述地表覆盖分类初始模型的参数。

2.根据权利要求1所述的地表覆盖分类模型训练方法，其特征在于，

所述第一类特征处理为第一卷积处理，所述第二类特征处理为第二卷积处理，所述提取所述第一特征的深层特征得到第三特征包括：

将所述第一特征经过像素注意力机制处理得到第三特征。

3.根据权利要求1所述的地表覆盖分类模型训练方法，其特征在于，

所述融合所述第二特征和所述第三特征，利用融合后的特征预测第二分类结果包括：

将所述第二特征和所述第三特征点乘，利用点乘结果预测第二分类结果。

4.根据权利要求1所述的地表覆盖分类模型训练方法，其特征在于，

所述标注信息包括小类别标注和大类别标注，所述利用所述标注信息计算所述第一分类结果和所述第二分类结果的总损失包括：

对比所述小类别标注和所述第一分类结果计算第一损失；对比所述大类别标注和所述第二分类结果计算第二损失；计算所述第一分类结果和所述第二分类结果之间的加权损失；

加权融合所述第一损失、所述第二损失、所述加权损失，得到所述总损失。

5.根据权利要求4所述的地表覆盖分类模型训练方法，其特征在于，

所述计算所述第一分类结果和所述第二分类结果之间的加权损失包括：

对比所述小类别标注和对应的所述第二分类结果计算第三损失；

加权融合所述第三损失和所述第二损失得到所述加权损失。

6.根据权利要求4所述的地表覆盖分类模型训练方法，其特征在于，

所述加权融合所述第一损失、所述第二损失、所述加权损失，得到所述总损失包括：

为所述第一损失、所述第二损失和所述加权损失设置权重值，并对各个所述权重值分别进行正则化处理；

所述总损失为所述第一损失、所述第二损失、所述加权损失的加权值和所述权重值的正则化结果的和。

7.根据权利要求6所述的地表覆盖分类模型训练方法，其特征在于，所述总损失为：

其中,loss为所述总损失，loss1为所述第一损失，loss2为所述第二损失，loss3为所述加权损失，w1，w2，w3为权重值。

8.根据权利要求1所述的地表覆盖分类模型训练方法，其特征在于，所述将所述样本图像输入地表覆盖分类初始模型进行特征提取，得到特征图像包括：

从所述样本图像中提取RGB三通道的图像，得到RGB图像；

对所述RGB图像进行特征提取，得到多个尺度的RGB特征图像；

对所述样本图像进行特征提取，并与相同尺度的所述RGB特征图像进行融合，得到该尺度的下采样特征图像，对融合后的所述下采样特征图像进行下采样并与下一尺度的所述RGB特征图像进行融合，最终得到小尺度下采样特征图像；

将所述小尺度下采样特征图像进行上采样，并与同一尺度的所述下采样特征图像进行融合，得到该尺度的上采样特征图像，对融合后的所述上采样特征图像进行上采样并与上一尺度的所述下采样特征图像进行融合，得到所述特征图像。