半监督式的地貌分类模型训练和地貌图构建方法
阅读：476发布：2020-05-11
专利汇可以提供半监督式的地貌分类模型训练和地貌图构建方法专利检索，专利查询，专利分析的服务。并且本 申请 实施例 适用于 人工智能 技术领域，公开了一种半监督式的 地貌 分类模型训练和地貌图构建方法，其中，方法包括：获取人工标注后的地貌样本数据集和对应的标签信息；使用标签信息和人工标注后的地貌样本数据集对生成式对抗网络进行对抗训练，以得到生成式对抗网络输出的目标伪地貌数据；其中，目标伪地貌数据为生成式对抗网络的训练效果达到最优时输出的伪地貌数据；使用目标伪地貌数据，对预训练后的地貌分类模型进行训练；训练完成后再使用地貌分类模型进行地貌图构建。本申请实施例基于生成式对抗网络，使用少量人工标注的数据生成大量的 训练数据 ，从而减少了地貌样本图像的采集时间。，下面是半监督式的地貌分类模型训练和地貌图构建方法专利的具体信息内容。
1.一种半监督式的地貌分类模型训练方法，其特征在于，包括：
获取人工标注后的地貌样本数据集和对应的标签信息；
使用所述标签信息和所述人工标注后的地貌样本数据集对生成式对抗网络进行对抗训练，以得到所述生成式对抗网络输出的目标伪地貌数据；其中，所述目标伪地貌数据为所述生成式对抗网络的训练效果达到最优时输出的伪地貌数据；
使用所述目标伪地貌数据，对预训练后的地貌分类模型进行训练。
2.根据权利要求1所述的半监督式的地貌分类模型训练方法，其特征在于，所述生成式对抗网络为条件生成式对抗网络，所述标签信息为地貌粗粒度类别信息；
所述使用所述标签信息和所述人工标注后的地貌样本数据集对生成式对抗网络进行对抗训练，以得到所述生成式对抗网络输出的目标伪地貌数据，包括：
将随机噪声和所述地貌粗粒度类别信息输入至所述条件生成式对抗网络中的生成器，获取所述生成器输出的伪地貌数据；
将所述伪地貌数据及其对应的地貌粗粒度类别信息、真实地貌数据及其对应的地貌粗粒度类别信息输入至所述条件生成式对抗网络中的判别器，所述判别器用于判断所述真实地貌数据和所述伪地貌数据是否一致；其中，所述真实地貌数据为所述人工标注后的地貌样本数据集中的样本图像；
获取所述判别器输出的判别结果，依此不断迭代训练所述条件生成式对抗网络，直到所述判别结果达到最优时，将所述生成器输出的伪地貌数据作为所述目标伪地貌数据。
3.根据权利要求1所述的半监督式的地貌分类模型训练方法，其特征在于，所述生成式对抗网络为细粒度表示信息条件生成式对抗网络，所述标签信息包括地貌粗粒度类别信息和地貌细粒度类别信息；
所述使用所述标签信息和所述人工标注后的地貌样本数据集对生成式对抗网络进行对抗训练，以得到所述生成式对抗网络输出的目标伪地貌数据，包括：
将随机噪声、所述地貌粗类别信息和所述地貌细粒度类别信息输入至所述细粒度表示信息条件生成式对抗网络中的生成器，获取所述生成器输出的伪地貌数据；
将所述伪地貌数据及其对应的地貌粗粒度类别信息、真实地貌数据及其对应的地貌粗粒度类别信息输入至所述细粒度表示信息条件生成式对抗网络中的判别器，获取所述判别器输出的判别结果；其中，所述真实地貌数据为所述人工标注后的地貌样本数据集中的样本图像；
将所述伪地貌数据输入至所述细粒度表示信息条件生成式对抗网络中的细粒度隐藏编码网络，获取所述细粒度隐藏编码网络输出的细粒度隐藏编码；
依此不断迭代训练所述细粒度表示信息条件生成式对抗网络，直到所述判别结果达到最优和所述细粒度隐藏编码达到预设效果时，将所述伪地貌数据作为所述目标伪地貌数据。
4.根据权利要求3所述的半监督式的地貌分类模型训练方法，其特征在于，所述细粒度表示信息条件生成式对抗网络的目标函数公式为：
其中，c为地貌粗粒度类别信息，s为地貌细粒度类别信息，z为随机噪声，细粒度表示信息条件生成式对抗网络模型为 生成器模型为G(z,s|c)，判别器模型为D
(x|c)，Q为细粒度隐藏编码网络，I[s；G(z,s|c)]为互信息，L为互信息的变分下界。
5.根据权利要求1至4任一项所述的半监督式的地貌分类模型训练方法，其特征在于，在所述获取人工标注后的地貌样本数据集和对应的标签信息之前，还包括：
获取未标注的地貌样本数据集；
基于所述预训练后的地貌分类模型，根据每种地貌类别的样本图像的信息熵大小，从所述未标注的地貌样本数据集中选取目标样本图像；
在对所述目标样本图像进行人工标注之后，获得人工标注后的目标样本图像，以获得包括所述人工标注后的目标样本图像的所述人工标注后的地貌样本数据集。
6.根据权利要求5所述的半监督式的地貌分类模型训练方法，其特征在于，在所述获取未标注的地貌样本数据集之前，还包括：
获取采集的地貌原始图像；
将所述地貌原始图像切割成图像块，以获得包括所述图像块的所述未标注的地貌样本数据集。
7.根据权利要求5所述的半监督式的地貌分类模型训练方法，其特征在于，所述地貌分类模型的预训练过程包括：
从未标注的地貌样本数据集中选取训练样本；
在对所述训练样本进行人工标注后，使用人工标注的训练样本预训练地貌分类模型。
8.一种地貌图构建方法，其特征在于，包括：
获取待处理地貌图像；
根据训练完成的地貌分类模型和所述待处理地貌图像，得到所述待处理地貌图像的地貌分类结果；其中，所述地貌分类模型为通过上述权利要求1至7任一项所述的半监督式的地貌分类模型训练方法训练得到的模型；
根据所述地貌分类结果构建地貌图。
9.根据权利要求8所述的地貌图构建方法，其特征在于，所述根据训练完成的地貌分类模型和所述待处理地貌图像，得到所述待处理地貌图像的地貌分类结果，包括：
将所述待处理地貌图像切割成图像块；
将所述图像块输入至所述地貌分类模型，得出各个所述图像块的地貌分类结果。
10.根据权利要求9所述的地貌图构建方法，其特征在于，所述根据所述地貌分类结果构建地貌图，包括：
按照各个所述图像块的所属地貌类别，使用与所述地貌分类结果对应的预设标签对各个所述图像块进行标注，得到标注后的图像块；
按照各个图像块在所述待处理地貌图像中的位置，将各个图像块进行拼接，以构建出所述地貌图。
11.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7和/或8至10任一项所述的方法。
12.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7和/或8至10任一项所述的方法。
半监督式的地貌分类模型训练和地貌图构建方法
技术领域
背景技术
[0002] 地貌图是指表示各种不同地貌标志的地图。其可以反映各种不同地貌的外部形态特征及成因、年代、发展过程、发育程度以及相互关系。
[0004] 本申请实施例提供一种半监督式的地貌分类模型训练和地貌图构建方法，以解决现有地貌建图中需要花费大量时间采集训练样本的问题。
[0005] 第一方面，本申请实施例提供一种半监督式的地貌分类模型训练方法，包括：
[0006] 获取人工标注后的地貌样本数据集和对应的标签信息；
[0007] 使用所述标签信息和所述人工标注后的地貌样本数据集对生成式对抗网络进行对抗训练，以得到所述生成式对抗网络输出的目标伪地貌数据；其中，所述目标伪地貌数据为所述生成式对抗网络的训练效果达到最优时输出的伪地貌数据；
[0008] 使用所述目标伪地貌数据，对预训练后的地貌分类模型进行训练。
[0009] 结合第一方面，在一种可能的实现方式中，所述生成式对抗网络为条件生成式对抗网络，所述标签信息为地貌粗粒度类别信息；
[0010] 所述使用所述标签信息和所述人工标注后的地貌样本数据集对生成式对抗网络进行对抗训练，以得到所述生成式对抗网络输出的目标伪地貌数据，包括：
[0011] 将随机噪声和所述地貌粗粒度类别信息输入至所述条件生成式对抗网络中的生成器，获取所述生成器输出的伪地貌数据；
[0012] 将所述伪地貌数据及其对应的地貌粗粒度类别信息、真实地貌数据及其对应的地貌粗粒度类别信息输入至所述条件生成式对抗网络中的判别器，所述判别器用于判断所述真实地貌数据和所述伪地貌数据是否一致；其中，所述真实地貌数据为所述人工标注后的地貌样本数据集中的样本图像；
[0013] 获取所述判别器输出的判别结果，依此不断迭代训练所述条件生成式对抗网络，直到所述判别结果达到最优时，将所述生成器输出的伪地貌数据作为所述目标伪地貌数据。
[0014] 结合第一方面，在一种可能的实现方式中，所述生成式对抗网络为细粒度表示信息条件生成式对抗网络，所述标签信息包括地貌粗粒度类别信息和地貌细粒度类别信息；
[0015] 所述使用所述标签信息和所述人工标注后的地貌样本数据集对生成式对抗网络进行对抗训练，以得到所述生成式对抗网络输出的目标伪地貌数据，包括：
[0016] 将随机噪声、所述地貌粗类别信息和所述地貌细粒度类别信息输入至所述细粒度表示信息条件生成式对抗网络中的生成器，获取所述生成器输出的伪地貌数据；
[0017] 将所述伪地貌数据及其对应的地貌粗粒度类别信息、真实地貌数据及其对应的地貌粗粒度类别信息输入至所述细粒度表示信息条件生成式对抗网络中的判别器，获取所述判别器输出的判别结果；其中，所述真实地貌数据为所述人工标注后的地貌样本数据集中的样本图像；
[0018] 将所述伪地貌数据输入至所述细粒度表示信息条件生成式对抗网络中的细粒度隐藏编码网络，获取所述细粒度隐藏编码网络输出的细粒度隐藏编码；
[0019] 依此不断迭代训练所述细粒度表示信息条件生成式对抗网络，直到所述判别结果达到最优和所述细粒度隐藏编码达到预设效果时，将所述伪地貌数据作为所述目标伪地貌数据。
[0020] 结合第一方面，在一种可能的实现方式中，所述细粒度表示信息条件生成式对抗网络的目标函数公式为：
[0021]
[0022] 其中，c为地貌粗粒度类别信息，s为地貌细粒度类别信息，z为随机噪声，细粒度表示信息条件生成式对抗网络模型为 生成器模型为G(z,s|c)，判别器模型为D(x|c)，Q为细粒度隐藏编码网络，I[s；G(z,s|c)]为互信息，L为互信息的变分下界。
[0023] 结合第一方面，在一种可能的实现方式中，在所述获取人工标注后的地貌样本数据集和对应的标签信息之前，还包括：
[0024] 获取未标注的地貌样本数据集；
[0025] 基于所述预训练后的地貌分类模型，根据每种地貌类别的样本图像的信息熵大小，从所述未标注的地貌样本数据集中选取目标样本图像；
[0026] 在对所述目标样本图像进行人工标注之后，获得人工标注后的目标样本图像，以获得包括所述人工标注后的目标样本图像的所述人工标注后的地貌样本数据集。
[0027] 结合第一方面，在一种可能的实现方式中，在所述获取未标注的地貌样本数据集之前，还包括：
[0028] 获取采集的地貌原始图像；
[0029] 将所述地貌原始图像切割成图像块，以获得包括所述图像块的所述未标注的地貌样本数据集。
[0030] 结合第一方面，在一种可能的实现方式中，所述地貌分类模型的预训练过程包括：
[0031] 从未标注的地貌样本数据集中选取训练样本；
[0032] 在对所述训练样本进行人工标注后，使用人工标注的训练样本预训练地貌分类模型。
[0033] 第二方面，本申请实施例提供一种地貌图构建方法，包括：
[0034] 获取待处理地貌图像；
[0035] 根据训练完成的地貌分类模型和所述待处理地貌图像，得到所述待处理地貌图像的地貌分类结果；其中，所述地貌分类模型为通过上述第一方面任一项所述的半监督式的地貌分类模型训练方法训练得到的模型；
[0036] 根据所述地貌分类结果构建地貌图。
[0037] 结合第二方面，在一种可能的实现方式中，所述根据训练完成的地貌分类模型和所述待处理地貌图像，得到所述待处理地貌图像的地貌分类结果，包括：
[0038] 将所述待处理地貌图像切割成图像块；
[0039] 将所述图像块输入至所述地貌分类模型，得出各个所述图像块的地貌分类结果。
[0040] 结合第二方面，在一种可能的实现方式中，所述根据所述地貌分类结果构建地貌图，包括：
[0041] 按照各个所述图像块的所属地貌类别，使用与所述地貌分类结果对应的预设标签对各个所述图像块进行标注，得到标注后的图像块；
[0042] 按照各个图像块在所述待处理地貌图像中的位置，将各个图像块进行拼接，以构建出所述地貌图。
[0043] 第三方面，本申请实施例提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面和/或第二方面任一项所述的方法。
[0044] 第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面和/或第二方面任一项所述的方法。
[0045] 第五方面，本申请实施例提供一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面和/或第二方面任一项所述的方法。
[0046] 本申请实施例通过将人工标注后的地貌样本数据集输入至生成式对抗网络中进行对抗训练，获得生成式对抗网络的训练效果最优时的目标伪地貌数据，并将其作为地貌分类模型的训练数据，即基于生成式对抗网络，使用少量人工标注的数据生成大量的训练数据，从而减少了地貌样本图像的采集时间。附图说明
[0047] 为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0048] 图1为本申请实施例提供的一种半监督式的地貌分类模型训练方法的流程示意框图；
[0049] 图2为本申请实施例提供的人工标注后的地貌样本数据集的生成过程的流程示意框图；
[0050] 图3为本申请实施例提供的人工标注数据产生过程示意图；
[0051] 图4为本申请实施例提供的主动学习模型示意图；
[0052] 图5为本申请实施例提供的条件生成式对抗网络的对抗训练过程的流程示意框图；
[0054] 图7为本申请实施例提供的细粒度表示信息条件生成式对抗网络的对抗训练过程的流程示意框图；
[0055] 图8为本申请实施例提供的细粒度表示信息条件生成式对抗网络模型框架示意图；
[0056] 图9为本申请实施例提供的一种地貌图构建方法的流程示意框图；
[0057] 图10为本申请实施例提供的地貌图构建方法的另一种流程示意框图；
[0058] 图11为本申请实施例提供的地貌分类模型训练装置的结构框图；
[0059] 图12为本申请实施例提供的地貌图构建装置的结构框图；
[0060] 图13为本申请实施例提供的终端设备的结构示意图。
具体实施方式
[0061] 以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。
[0062] 本申请实施例提供的技术方案应用于地貌图构建，地貌图构建过程可以大体分为地貌分类模型训练阶段和地貌图构建阶段。
[0063] 在地貌分类模型训练阶段中，基于人工标注后的少量样本图像，通过生成式对抗网络生成大量的地貌样本图像。相较于目前采集大量的地貌样本图像去训练相应的模型，本申请实施例可以大大减少了样本图像的采集时间。另外，生成式对抗网络可以生成各种地貌类别的样本图像，使得后续构建的地貌图的效果更好。
[0064] 在地貌分类模型训练完成后，可以将待处理的地貌图输入至地貌分类模型中，以获得该图像的地貌分类结果，然后再根据地貌分类结果构建出所需的地貌图。
[0065] 值得指出的是，本申请实施例提供的地貌分类模型训练和地貌图构建方法均是半监督式的，即在地貌分类模型训练过程中，需要引入监督者。半监督具体体现在人工标注数据的产生过程，具体为：根据图像信息熵的大小，通过预训练的地貌分类模型从未标注的地貌样本数据集中选取出不确定性最大的样本图像后，再人为判断选取出的样本图像的地貌类别，然后再进行人工标注，以形成人工标注后的地貌样本数据集。在获得人工标注后的地貌样本数据集后，使用该地貌样本数据集进行对抗训练，生成大量的伪地貌数据，其中，在对抗训练过程中，通过指定地貌粗粒度类别信息，或者地貌粗粒度类别信息和地貌细粒度类别信息，使得生成的伪地貌数据带有伪标签；再使用生成的伪地貌数据对预训练后的地貌分类模型进行训练。
[0066] 下面将通过具体实施例对本申请实施例提供的技术方案进行介绍。
[0067] 请参见图1，为本申请实施例提供的一种半监督式的地貌分类模型训练方法的流程示意框图，该方法可以包括以下步骤：
[0068] 步骤S101、获取人工标注后的地貌样本数据集和对应的标签信息。
[0069] 需要说明的是，上述人工标注后的地貌样本数据集包括多种地貌类别的地貌样本图像，且每一种地貌类别有多张样本图像。例如，每一种地貌类别包括10张样本图像。
[0070] 该人工标注后的地貌样本数据集中的地貌样本图像均是已人工标注的图像。从未标注的地貌样本图像数据集中选取相应的样本图像之后，人为判断所选择的地貌样本图像属于何种地貌类别，然后再根据地貌类别进行人工标注。例如，选择的地貌样本图像的地貌类别属于草地，则标注为草地。
[0071] 人工标注后的地貌样本数据集中的每一张地貌样本图像均有对应的标签信息，该标签信息为地貌类别标签信息，即该标签信息可以表征对应的地貌样本图像的所属地貌类别。例如，某一张地貌样本图像的标签信息为水泥地标签，则表明该地貌样本图像的所属地貌类别为水泥地。
[0072] 值得指出的是，上述人工标注后的地貌样本数据集中的地貌样本图像可以是整张图像，也可以是图像块。按照预设尺寸将一整张地貌样本图像进行切割，可以获得多个大小相同的图像块。
[0073] 其中，可以人为从未标注的地貌样本数据集中选择出相应的样本图像，再进行人为标注，从而获得上述人工标注后的地貌样本数据集。选择出相应的样本图像，再进行人工标注，从而获得上述人工标注后的地貌样本数据集。相较而言，如果未标注数据较多，人为选取样本图像的效率和准确率比通过主动学习的方式选取的效率和准确率低。
[0074] 在一些实施例中，可以依据图像信息熵的大小，通过预训练后的地貌分类模型自动从未标注的地貌样本数据集中选取出所需的样本图像。参见图2示出的人工标注后的地貌样本数据集的生成过程的流程示意框图，在上述获取人工标注后的地貌样本数据集和对应的标签信息之前，上述模型训练方法还可以包括：
[0075] 步骤S201、获取未标注的地貌样本数据集。
[0076] 需要说明的是，上述未标注的地貌样本数据集包括多张未标注的地貌样本图像，该地貌样本图像可以是图像块，该图像块可以通过切割地貌原始样本图像得到。而地貌原始样本图像可以是无人机采集的地貌图像。且该未标注的地貌样本数据集包括多个地貌类别的图像块。
[0077] 在一些实施例中，在上述获取未标注的地貌样本数据集之前，上述模型训练方法还可以包括：获取采集的地貌原始图像；将地貌原始图像切割成图像块，以获得包括图像块的未标注的地貌样本数据集。
[0078] 其中，上述地貌原始图像可以是无人机采集的地貌图像。按照预设尺寸对采集的地貌原始图像进行切割，获得相应的图像块；然后基于切割得到的图像块组成上述未标注的地貌样本数据集。例如，按照64*64的大小，将一幅地貌原始图像切割成多个64*64大小的图像块。
[0079] 步骤S202、基于预训练后的地貌分类模型，根据每种地貌类别的样本图像的信息熵大小，从未标注的地貌样本数据集中选取目标样本图像。
[0080] 需要说明的是，上述地貌分类模型包括但不限于卷积层、池化层、Flatten层、激活函数层、全连接层和softmax函数层，各层的连接关系和对应的作用已被本领域技术人员所熟知，在此不再赘述。
[0081] 该地貌分类模型是预训练好的，其中，当迭代训练地貌分类模型预定次数时，则可以认为预训练好该地貌分类模型。例如，可以设定迭代训练次数大于50次时，认为地貌分类模型预训练完成。预训练是指使用少量人工标注的地貌样本图像对建立的地貌分类模型进行初步训练。预训练的过程具体包括：从未标注的地貌样本图像数据集中人工选取少量的样本图像，对选取的地貌样本图像进行人工标注；然后再使用少量人工标注后的地貌样本图像训练地貌分类模型。上述“少量的样本图像”可以根据实际需要进行定义。在本实施例中，“少量的样本图像”可以是指每种地貌类别选取10条地貌样本图像数据。
[0082] 在一些实施例中，上述地貌分类模型的预训练过程包括：从未标注的地貌样本数据集中选取训练样本；在对训练样本进行人工标注后，使用人工标注的训练样本预训练预先构建的地貌分类模型。
[0083] 具体地，人工选取出少量的地貌样本图像之后，可以根据所属地貌类别对地貌样本图像进行人工标注，然后再使用人工标注后的地貌样本图像进行地貌分类模型的训练。
[0084] 在预训练好地貌分类模型之后，可以使用地貌分类模型从未标注的地貌样本数据集中选取出所需的目标样本图像。该目标样本图像是基于每种地貌类别的地貌样本图像的信息熵大小选取出来的，且该目标样本图像包括各种地貌类别的地貌样本图像。
[0085] 具体地，基于每种地貌类别的地貌样本图像的信息熵大小，分别从各种地貌类别的地貌样本图像中选取出一定数量的样本图像。
[0086] 例如，未标注的地貌样本数据集包括草地、纹理地、水泥地三种地貌类别的样本图像。首先，计算出各个图像的信息熵，然后根据信息熵的大小将每类地貌样本图像从大到小地进行排序，然后从每类样本图像中分别选取前10个图像作为目标样本图像。此时，目标样本图像包括10个草地类别的地貌样本图像、10个纹理地类别的地貌样本图像和10个水泥地类别的地貌样本图像。
[0087] 更具体地，信息熵计算公式具体为：
[0088] H[y|x；w]＝-∑cp(y＝c|x,w)log p(y＝c|x,w)
[0089] 其中，c为样本图像的地貌类别，其可由p(y＝c|x,w)＝softmax(fw(x))来定义，fw(x)是预训练后的地貌分类模型的输出，在给定参数w的前提下，通过函数a(x,w)来从未标注的地貌样本数据集U中选取训练样本数据。
[0090] 而a(x,w)＝H[y|x,w]，在本实施例中，可以通过x*＝argmaxa(x,w),x∈U从未标注的样本数据集中选取目标样本图像。
[0091] 通过信息熵的大小选取目标样本图像，可以选取出最大限度减少当前模型不确定性的样本图像。换句话说，信息熵越大，地貌样本图像的不确定性越大，而根据信息熵从大到小地选取地貌样本图像则可以尽可能地减少当前模型的不确定性。
[0092] 步骤S203、在对目标样本图像进行人工标注之后，获得人工标注后的目标样本图像，以获得包括人工标注后的目标样本图像的人工标注后的地貌样本数据集。
[0093] 具体地，通过预训练后的地貌分类模型从未标注的地貌样本数据集中选取出不确定性最大的目标样本图像之后，人为判断目标样本图像的所属类别，并对目标样本图像进行人工标注。这样，即可获得由人工标注后的目标样本图像组成的人工标注后的地貌样本数据集。该人工标注后的地貌样本数据集包括各种地貌类别的样本图像和对应的标签信息。
[0094] 为了更好的介绍上述人工标注后的地貌样本数据集的产生过程，下面将结合图3示出的人工标注数据产生过程示意图进行介绍。
[0095] 如图3所示，将采集的图片切割成图像块数据，该图片可以是无人机采集的地貌原始图像；切割后的图像块数据形成未标注的地貌样本数据集，再从未标注的地貌样本数据集选择图像块数据，之后根据图像块所属的地貌类别进行人工标注，人工标注后产生相应的数据集。例如，选择的图像块的地貌类别为草地，则标注为草地，最后多条草地图像块数据形成草地数据集；选择的图像块的地貌类别为纹理地，则标注为纹理地，最后多条纹理地图像块数据形成纹理地数据集；选择的图像块的地貌类别为水泥地，则标注为水泥地，最后多条水泥地图像块数据形成水泥地数据集。其中，标注的地貌样本数据集也是由大小一样的图像块数据组成，具体可以为64*64大小的图像块数据。
[0096] 根据信息熵的大小，通过预训练后的地貌分类模型从未标注的地貌样本数据集中选取目标样本图像，然后再进行人工标注以生成上述人工标注后的地貌样本数据集的过程可以看作是一个半监督式的主动学习的过程。下面将结合图4示出的主动学习模型示意图进行介绍。
[0097] 如图4所示，主动学习模型由C、Q、L、S、U五个部分组成。其中，C指的是预训练完成后的地貌分类模型；L表示已进行人工标注的地貌样本数据集；U表示未标注的地貌样本数据集；S表示监督者,能对未标注的地貌样本数据集做出标注；Q代表查询函数,通过查询函数可从未标注的地貌样本数据集U选择地貌样本数据做标注。
[0098] 可以看出，通过主动学习的方式从未标注的地貌样本数据集中选取出目标样本图像，可以保证生成数据的多样性，解决了少量样本下，生成式对抗网络的局限性的问题。
[0099] 步骤S102、使用标签信息和人工标注后的地貌样本数据集对生成式对抗网络进行对抗训练，得到生成式对抗网络输出的目标伪地貌数据；其中，目标伪地貌数据为生成式对抗网络的训练效果达到最优时输出的伪地貌数据。
[0100] 可以理解的是，上述生成式对抗网络可以包括生成器和判别器，生成器可以生成对应的伪地貌数据，判别器可以判断输入的伪地貌数据和真实地貌数据的区别。当判别器无法区分出伪地貌数据和真实地貌数据时，即生成式对抗网络趋于收敛时，可以认为生成式对抗网络的训练效果达到最优，此时，则将生成器生成的伪地貌数据作为目标伪地貌数据，将该目标伪地貌数据作为地貌分类模型的训练数据。这样，可以用很少的人工标注数据生成大量的目标伪地貌数据，不用耗费大量时间采集大量的地貌样本图像。
[0101] 在一些实施例中，上述生成式对抗网络具体为条件生成式对抗网络时，标签信息为地貌粗粒度类别信息。参见图5示出的对抗训练过程的流程示意框图，上述使用标签信息和人工标注后的地貌样本数据集对生成式对抗网络进行对抗训练，得到生成式对抗网络输出的目标伪地貌数据的具体过程可以包括：
[0102] 步骤S501、将随机噪声和地貌粗粒度类别信息输入至条件生成式对抗网络中的生成器，获取生成器输出的伪地貌数据。
[0103] 需要说明的是，上述随机噪声可为高斯随机噪声，地貌粗粒度类别信息是指表征样本图像的所属地貌类别的信息，该所述地貌类别为粗粒度类别。其中，粗粒度类别包括但不限于草地、纹理地和水泥地。与粗粒度类别相对应，细粒度类别是对粗粒度类别的进一步表示，例如，粗粒度类别为草地，对应的细粒度类别包括秃草地、稀疏草地和浓密草地等。
[0104] 具体地，将高斯随机噪声和粗粒度类别标签信息输入至生成器，生成器经过多层反卷积处理之后，生成与指定的地貌粗类别对应的伪地貌数据。例如，输入的标签信息为草地标签时，生成器输出的则是草地样本图像，标签信息为纹理地标签时，生成器输出的则是纹理地样本图像，标签信息为水泥地标签时，生成器输出的则是水泥地样本图像。
[0105] 步骤S502、将伪地貌数据及其对应的地貌粗粒度类别信息、真实地貌数据及其对应的地貌粗粒度类别信息输入至条件生成式对抗网络中的判别器，判别器用于判断样本图像和伪地貌数据是否一致；其中，真实地貌数据为人工标注后的地貌样本数据集中的样本图像。
[0106] 需要说明的是，上述真实地貌数据是人工标注后的地貌样本数据集中对应的地貌样本图像。与真实地貌数据对应的地貌粗粒度类别信息是指表征地貌样本图像的地貌类别的信息。例如，当输入的真实地貌数据为草地样本图像，则对应的地貌粗粒度类别信息为草地类别。同理，伪地貌数据对应的地貌粗粒度类别信息是指表征生成器生成的样本图像的地貌类别的信息。
[0107] 步骤S503、获取判别器输出的判别结果，依此不断迭代训练条件生成式对抗网络，直到判别结果达到最优时，将生成器输出的伪地貌数据作为目标伪地貌数据。
[0108] 具体地，在生成相应地貌类别的伪地貌数据之后，将生成的伪地貌数据、伪地貌数据对应的粗粒度类别信息、对应的真实样本图像和真实样本图像对应的粗粒度类别信息输入至判别器，获取判别器输出的判别结果。例如，当伪地貌数据为草地样本图像时，则将人工标注后的地貌样本数据集中的草地样本图像作为真实地貌数据，将相应数据输入至判别器，以得出判别器输出的判别结果，该判别结果可以表征当前生成地貌数据属于真实地貌数据的概率。
[0109] 当判别结果为一致时，则表明判别器无法区分真实地貌数据和伪地貌数据，表明训练结果达到最优，此时，则可以将生成器输出的伪地貌数据作为目标伪地貌数据。
[0110] 应当理解，生成式对抗网络的对抗训练过程是一个迭代训练过程，上述步骤S501～S503只是对一次训练过程进行介绍。依据步骤S501～S503的过程进行迭代训练，直到输出结果达到最优时，则可以认为训练完成。
[0111] 上述条件生成式对抗网络的目标函数公式具体为：
[0112]
[0113] z表示随机噪音，x具体指输入的图像块，y指额外信息，可为任意信息，在此指标签信息；条件生成网络对抗模型为V(G,D)，生成器为G(z|y)，判别器为D(x|y)。
[0114] 为了更好地介绍条件生成式对抗网络的对抗训练过程和其组成架构，下面将结合图6示出的条件生成式对抗网络模型框架示意图进行介绍。
[0115] 如图6所示，条件生成式对抗网络包括G(生成器)和D(判别器)，将Z(随机噪声)和C(粗粒度类别信息)输入至G(生成器)，G(生成器)输出X(伪地貌数据)；将X(伪地貌数据)、X(真实地貌数据)和各自对应的C(粗粒度类别信息)输入至D(判别器)；D(判别器)输出真实地貌数据和伪地貌数据的判别结果。
[0116] 可以看出，通过条件生成式对抗网络可以生成不同地貌类别的样本图像，以达到扩充训练样本数据集，使得可以在尽可能少的人工标注样本下，达到更好的地貌建图效果。
[0117] 在实际应用中，可以使用条件生成式对抗网络生成大量的训练数据，但所生成的训练数据可能会存在生成样本多样性不足，导致生成样本不够丰富，影响后续的地貌建图效果。为了克服该问题，可以使用细粒度表示信息条件生成式对抗网络生成质量更好的训练数据。
[0118] 在另一些实施例中，上述生成式对抗网络为细粒度表示信息条件生成式对抗网络时，标签信息包括地貌粗粒度类别信息和地貌细粒度类别信息。参见图7示出的对抗训练过程的流程示意框图，上述使用标签信息和人工标注后的地貌样本数据集对生成式对抗网络进行对抗训练，得到生成式对抗网络输出的目标伪地貌数据的具体过程可以包括：
[0119] 步骤S701、将随机噪声、地貌粗类别信息和地貌细粒度类别信息输入至细粒度表示信息条件生成式对抗网络中的生成器，获取生成器输出的伪地貌数据。
[0120] 可以理解的是，随机噪声可以为高斯随机噪声，地貌细粒度类别信息可以表征地貌样本图像的所属地貌类别，该地貌类别为细粒度类别。其中，细粒度类别是对粗粒度类别的进一步表示，例如，粗粒度类别为草地，对应的细粒度类别包括秃草地、稀疏草地和浓密草地。
[0121] 步骤S702、将伪地貌数据及其对应的地貌粗粒度类别信息、真实地貌数据及其对应的地貌粗粒度类别信息输入至细粒度表示信息条件生成式对抗网络中的判别器，获取判别器输出的判别结果；其中，真实地貌数据为人工标注后的地貌样本数据集中的样本图像。
[0122] 需要说明的是，上述真实地貌数据是人工标注后的地貌样本数据集中对应的地貌样本图像。与真实地貌数据对应的地貌粗粒度类别信息是指表征地貌样本图像的地貌类别的信息。例如，当输入的真实地貌数据为草地样本图像，则对应的地貌粗粒度类别信息为草地类别。同理，伪地貌数据对应的地貌粗粒度类别信息是指表征生成器生成的样本图像的地貌类别的信息。
[0123] 步骤S703、将伪地貌数据输入至细粒度表示信息条件生成式对抗网络中的细粒度隐藏编码网络，获取细粒度隐藏编码网络输出的细粒度隐藏编码。
[0124] 需要说明的是，上述细粒度信息编码网络可以让生成的伪地貌数据中的细粒度语义表示接近指定的细粒度类别信息。
[0125] 步骤S704、依此不断迭代训练细粒度表示信息条件生成式对抗网络，直到所述判别结果达到最优和所述细粒度隐藏编码达到预设效果时，将所述伪地貌数据作为所述目标伪地貌数据。
[0126] 需要说明的是，当判别器无法区分真实地貌数据和伪地貌数据时，即生成式对抗网络趋于收敛时，可以认为判别结果达到最优。此外，计算伪地貌数据和细粒度类别的互信息，互信息越大表示生成的图像与细粒度类别相关性越大。当互信息达到一定数值时可以认为细粒度隐藏编码达到预设效果。此时，则可以将生成器输出的伪地貌数据作为目标伪地貌数据。
[0127] 其中，互信息计算公式具体为：
[0128] I[s；G((z,s)|c)]＝H[s]-H[s|G((z,s)|c)]
[0129] 具体展开为：
[0130]
[0131]
[0132]
[0133] 上述细粒度表示信息条件生成式对抗网络的目标函数公式具体为：
[0134]
[0135] 其中，细粒度表示信息条件生成式对抗网络模型为 生成器为G(z,s|c)，判别器模型为D(x|c)，c为地貌粗粒度类别信息，s为地貌细粒度类别信息，Q为细粒度隐藏编码网络，I[s；G(z,s|c)]为互信息。L为互信息的变分下界。为了更好地介绍细粒度表示信息条件生成式对抗网络的模型和对应的训练过程，下面将结合图8示出的细粒度表示信息条件生成式对抗网络模型框架示意图进行介绍。
[0136] 如图8所示，细粒度表示信息条件生成式对抗网络模型包括G(生成器)、D(判别器)和Qs(细粒度隐藏编码网络)。将Z(随机噪声)、S(细粒度隐藏编码)和C(粗粒度类别信息)输入至G(生成器)，G(生成器)输出相应的X(伪地貌数据)；再将X(伪地貌数据)、X(真实地貌数据)和各自对应的C(粗粒度类别信息)输入至D(判别器)，D(判别器)输出真实地貌数据和伪地貌数据的判别结果；将X(伪地貌数据)输入至Qs(细粒度隐藏编码网络)，得到输出的S(细粒度隐藏编码)。可以看出，通过细粒度表示信息条件生成式对抗网络生成所需的目标伪地貌数据，可以在条件生成式对抗网络的基础上，学习额外的细粒度的表示信息，改善了目标伪地貌数据的生成效果，使得生成器采样更好的数据用于训练地貌分类模型，以获得更好的地貌建图效果。
[0137] 步骤S103、使用目标伪地貌数据，对预训练后的地貌分类模型进行训练。
[0138] 可以理解的是，上述预训练后的地貌分类模型的预训练过程可以参见上文，在此不再赘述。目标伪地貌数据为训练完成的生成式对抗网络生成的带有不同伪标签的样本图像。
[0139] 具体地，分别输入带有不同伪标签的样本图像，softmax函数层预测输入样本图像的地貌类别，然后判断预测的地貌类别与输入的样本图像地貌类别是否一致。依此迭代训练多次，直到预测输入样本图像的地貌类别的准确率大于等于90％时，可以认为训练好预训练后的地貌分类模型，即训练完成。其中准确率可通过公式 计算得到，其中N为总的测试样本数目， Mij表示类别为i的测试样本被分类到类别j的个数。
[0140] softmax函数层先得到输入的样本图像属于不同类别的概率值，再最终预测输入的样本图像属于哪种类别。具体根据公式 得到输入的图像块属于不同类别的概率值，而θ为模型参数，x为输入的图像块，j表示总的类别数目，i表示输出的第几个类别；得到输入的图像块属于不同类别的概率值后，再根据公式预测该图像块属于哪种地貌类别，x代表预
测集D中的图片，c代表具体地貌类别，C代表类别总数，pc(x)代表图片x属于类别c的概率值。通过输入的图像块属于哪个地貌类别的概率最大来判断具体是属于哪个类别的地貌。
例如，softmax函数层得到当前输入的样本图像属于各类别的概率值分别为草地0.5，水泥地0.3，纹理地0.2，最终预测输入的样本图像属于草地数据。
测集D中的图片，c代表具体地貌类别，C代表类别总数，pc(x)代表图片x属于类别c的概率值。通过输入的图像块属于哪个地貌类别的概率最大来判断具体是属于哪个类别的地貌。
例如，softmax函数层得到当前输入的样本图像属于各类别的概率值分别为草地0.5，水泥地0.3，纹理地0.2，最终预测输入的样本图像属于草地数据。
[0141] 值得指出的是，上述目标伪地貌数据包括的样本图像可以是一整张地貌图像，也可以是图像块。当使用图像块训练时，后续地貌建图时也需要将图像切割成图像块进行分类。
[0142] 需要说明的是，预训练过程可以看作是一个初步训练过程，所使用的训练样本数据较少，预训练后的地貌分类模型的分类精度较低。而上述使用生成的目标伪地貌数据对预训练后的地貌分类模型训练的过程，可以看作是在初步训练后再进一步的训练，所使用的训练样本数更多，训练后的地貌分类模型的分类精度较高。
[0143] 本申请实施例通过将人工标注后的地貌样本数据集输入至生成式对抗网络中进行对抗训练，获得生成式对抗网络的训练效果最优时的目标伪地貌数据，并将其作为地貌分类模型的训练数据，即基于生成式对抗网络，使用少量人工标注的数据生成大量的训练数据，从而减少了地貌样本图像的采集时间。
[0144] 训练完地貌分类模型之后，则使用训练好的地貌分类模型对采集的地貌图像进行分类，然后再进行地貌建图。下面将对如何使用训练好的地貌分类模型进行地貌建图进行介绍。
[0145] 请参见图9，为本申请实施例提供的一种地貌图构建方法的流程示意框图，该方法可以包括以下步骤：
[0146] 步骤S901、获取待处理地貌图像。
[0147] 可以理解的是，上述待处理地貌图像可以是由无人机采集的地貌原始图像，也可以是其它的待处理地貌图像。
[0148] 步骤S902、根据训练完成的地貌分类模型和待处理地貌图像，得到待处理地貌图像的地貌分类结果；其中，地貌分类模型为通过上文任一项的地貌分类模型训练方法训练得到的模型。
[0149] 可以理解的是，上述地貌分类模型为上文的地貌分类模型训练方法中的地貌分类模型。即该地貌分类模型是使用上文介绍的任一项地貌分类模型训练方法进行训练得到的，关于模型训练的相关介绍请参见上文，在此不再赘述。
[0150] 训练好的地貌分类模型的输入为地貌图像，输出为地貌图像的地貌分类结果。该地貌分类结果可以表征地貌图像对应哪种地貌类别。例如，输入的地貌图像为无人机拍摄的草地图像时，则输出的地貌分类结果为草地类别。
[0151] 当训练所用的数据集不同，地貌分类模型的输出也会相应地不同。例如，当训练数据集为粗粒度的地貌样本图像时，训练好的地貌分类模型只能识别出粗粒度类别的地貌。例如，待处理地貌图像为无人机拍摄的秃草地图像，训练好的地貌分类模型的训练数据集为粗粒度的地貌样本图像，此时，将秃草地图像输入至地貌分类模型中，地貌分类模型输出的分类结果为草地，而不是秃草地。同理，当训练数据集为细粒度的地貌样本图像时，训练好的地貌分类模型能识别出细粒度类别的地貌。
[0152] 需要说明的是，上述地貌分类模型的输入可以是整张待处理地貌图像，也可以是将整张待处理地貌图像切割得到图像块，即将图像块输入至地貌分类模型。相较而言，整张待处理地貌图像可能没有整张图片的特征，或者，很难确定代表整张图片的特征，导致通过整张图片构建地貌图的效果较差。优选地，将待处理地貌图像切割成多个图像块之后，通过图像块进行地貌建图。
[0153] 步骤S903、根据地貌分类结果构建地貌图。
[0154] 需要说明的是，当地貌分类模型的输入为图像块时，输出的是每个图像块的分类结果。在得出每个图像块的地貌分类结果之后，再根据地貌分类结果重新拼接在一起，形成完整的地貌图。
[0155] 下面将对通过图像块进行地貌建图的过程进行介绍。
[0156] 参见图10示出的地貌图构建方法的另一种流程示意框图，该方法可以包括以下步骤；
[0157] 步骤S1001、获取待处理地貌图像。
[0158] 步骤S1002、将待处理地貌图像切割成图像块。
[0159] 具体地，按照预设尺寸将待处理地貌图像切割成多个大小一样的图像块。例如，将待处理地貌图像切割成多个64*64的图像块。
[0160] 步骤S1003、将图像块输入至地貌分类模型，得出各个图像块的地貌分类结果。
[0161] 可以理解的是，每个图像块可能对应不同的地貌，例如，一个图像块为草地，一个图像块为纹理地，一个图像块为水泥地等。将图像块输入至地貌分类模型，则可以得出每个图像块的地貌分类结果。
[0162] 步骤S1004、按照各个图像块的所属地貌类别，使用与地貌分类结果对应的预设标签对各个图像块进行标注，得到标注后的图像块。
[0163] 需要说明的是，使用预设标签对图像块进行标注是为了便于区分不同类别的地貌。例如，第一种地貌使用第一种标签，第二种地貌使用第二种标签。预先设定地貌类别和标签的对应关系，后续直接使用对应的标签进行标注。
[0164] 上述预设标签可以是任意记号，只要能区分不同类别的地貌即可。例如，按照预设的颜色进行标注，即通过不同的颜色以区分不同类别的地貌。具体地，草地对应绿色，水泥地对应蓝色，纹理地对应橙色，当某个图像块的地貌分类结果为草地，则用绿色填充该图像块，当地貌分类结果为水泥地，则用蓝色填充该图像块。
[0165] 步骤S1005、按照各个图像块在待处理地貌图像中的位置，将各个图像块进行拼接，以构建出地貌图。
[0166] 具体地，在标注图像块之后，可以将标注后的图像块重新拼接在一起。例如，当一张待处理地貌图像被切割成四个图像块，且这四个图像块在原图像中的位置分别为左上角、右上角、左下角和右下角；通过地貌分类模型分别得出这四个图像块的地貌分类结果，并使用对应的标签进行标注之后，按照这些图像块在原图像的所处位置拼接在一起，具体地，将原本位于左上角的图像块放在左上角，依此拼接在一起，形成完整的地貌图。拼接形成完整的地貌图之后，可以通过不同的标签得知对应区域的地貌类别。
[0167] 本申请实施例通过主动学习的方式，高效地选取训练样本，同时利用生成式对抗网络生成大量的训练数据，减少了数据采集的时间。此外，通过条件生成式对抗网络可以生成不同地貌类别的样本图像，以扩充训练样本数据，在较少的人工标注样本的条件下能达到更好的地貌建图效果。还通过细粒度表示信息条件生成式对抗网络，在条件生成式对抗网络的基础上，学习额外的细粒度的表示信息，生成质量更好的训练样本数据，从而使得地貌效果更佳。
[0168] 应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
[0169] 对应于上文实施例所述的地貌分类模型训练方法，下面将对相应的地貌分类模型训练装置进行介绍。
[0170] 参见图11示出的本申请实施例提供的地貌分类模型训练装置的结构框图，该装置可以包括：
[0171] 第一获取模块111，用于获取人工标注后的地貌样本数据集和对应的标签信息；
[0172] 对抗训练模块112，用于使用标签信息和人工标注后的地貌样本数据集对生成式对抗网络进行对抗训练，得到生成式对抗网络输出的目标伪地貌数据；其中，目标伪地貌数据为生成式对抗网络的训练效果达到最优时输出的伪地貌数据；
[0173] 训练模块113，用于使用目标伪地貌数据，对预训练后的地貌分类模型进行训练。
[0174] 在一种可能的实现方式中，上述生成式对抗网络为条件生成式对抗网络，标签信息为地貌粗粒度类别信息；
[0175] 上述对抗训练模块可以具体用于：
[0176] 将随机噪声和地貌粗粒度类别信息输入至条件生成式对抗网络中的生成器，获取生成器输出的伪地貌数据；
[0177] 将伪地貌数据、伪地貌数据对应的地貌粗粒度类别信息、真实地貌数据和真实地貌数据对应的地貌粗粒度类别信息输入至条件生成式对抗网络中的判别器，判别器用于判断样本图像和伪地貌数据是否一致；其中，真实地貌数据为人工标注后的地貌样本数据集中的样本图像；
[0178] 获取判别器输出的判别结果，依此不断迭代训练条件生成式对抗网络，直到判别结果达到最优时，将生成器输出的伪地貌数据作为目标伪地貌数据。
[0179] 在一种可能的实现方式中，上述生成式对抗网络为细粒度表示信息条件生成式对抗网络，标签信息包括地貌粗粒度类别信息和地貌细粒度类别信息；
[0180] 上述对抗训练模块可以具体用于：
[0181] 将随机噪声、地貌粗类别信息和地貌细粒度类别信息输入至细粒度表示信息条件生成式对抗网络中的生成器，获取生成器输出的伪地貌数据；
[0182] 将伪地貌数据、伪地貌数据对应的地貌粗粒度类别信息、真实地貌数据和真实地貌数据对应的地貌粗粒度类别信息输入至细粒度表示信息条件生成式对抗网络中的判别器，获取判别器输出的判别结果；其中，真实地貌数据为人工标注后的地貌样本数据集中的样本图像；
[0183] 将伪地貌数据输入至细粒度表示信息条件生成式对抗网络中的细粒度隐藏编码网络，获取细粒度隐藏编码网络输出的细粒度隐藏编码；
[0184] 依此不断迭代训练细粒度表示信息条件生成式对抗网络，直到判别结果达到最优和细粒度隐藏编码达到预设效果时，将伪地貌数据作为目标伪地貌数据。
[0185] 在一种可能的实现方式中，细粒度表示信息条件生成式对抗网络的目标函数公式为：
[0186]
[0187] 其中，c为地貌粗粒度类别信息，s为地貌细粒度类别信息，z为随机噪声，细粒度表示信息条件生成式对抗网络模型为 生成器模型为G(z,s|c)，判别器模型为D(x|c)，Q为细粒度隐藏编码网络。I[s；G(z,s|c)]为互信息，L为互信息的变分下界。
[0188] 在一种可能的实现方式中，上述装置还可以包括：
[0189] 第二获取模块，用于获取未标注的地貌样本数据集；
[0190] 选取模块，用于基于预训练后的地貌分类模型，根据每种地貌类别的样本图像的信息熵大小，从未标注的地貌样本数据集中选取目标样本图像；
[0191] 人工标注模块，用于在对目标样本图像进行人工标注之后，获得人工标注后的目标样本图像，以获得包括人工标注后的目标样本图像的人工标注后的地貌样本数据集。
[0192] 在一种可能的实现方式中，上述装置还可以包括：
[0193] 第三获取模块，用于获取采集的地貌原始图像；
[0194] 切割模块，用于将地貌原始图像切割成图像块，以获得包括图像块的未标注的地貌样本数据集。
[0195] 在一种可能的实现方式中，上述装置还包括预训练模块，具体用于：
[0196] 从未标注的地貌样本数据集中选取训练样本；
[0197] 在对训练样本进行人工标注后，使用人工标注的训练样本预训练预先构建的地貌分类模型。
[0198] 需要说明的是，地貌分类模型训练装置与上文的地貌分类模型训练方法一一对应，相关介绍请参见上文相应内容，在此不再赘述。
[0199] 对应于上文实施例所述的地貌图构建方法，下面将对相应的地貌图构建装置进行介绍。
[0200] 参见图12示出的本申请实施例提供的地貌图构建装置的结构框图，该装置可以包括：
[0201] 图像获取模块121，用于获取待处理地貌图像；
[0202] 分类模块122，用于根据训练完成的地貌分类模型和待处理地貌图像，得到待处理地貌图像的地貌分类结果；其中，地貌分类模型为通过上述第一方面任一项的地貌分类模型训练方法训练得到的模型；
[0203] 构建模块123，用于根据地貌分类结果构建地貌图。
[0204] 在一种可能的实现方式中，上述分类模块具体用于：
[0205] 将待处理地貌图像切割成图像块；
[0206] 将图像块输入至地貌分类模型，得出各个图像块的地貌分类结果。
[0207] 在一种可能的实现方式中，上述构建模块具体用于：
[0208] 按照各个图像块的所属地貌类别，使用与地貌分类结果对应的预设标签对各个图像块进行标注，得到标注后的图像块；
[0209] 按照各个图像块在待处理地貌图像中的位置，将各个图像块进行拼接，以构建出地貌图。
[0210] 需要说明的是，地貌图构建装置与上文的地貌图构建方法一一对应，相关介绍请参见上文相应内容，在此不再赘述。
[0211] 需要说明的是，上述装置/模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0212] 图13为本申请一实施例提供的终端设备的结构示意图。如图13所示，该实施例的终端设备13包括：至少一个处理器130、存储器131以及存储在所述存储器131中并可在所述至少一个处理器130上运行的计算机程序132，所述处理器130执行所述计算机程序132时实现上述任意各个地貌分类模型训练方法和/或地貌图构建方法实施例中的步骤。
[0213] 所述终端设备13可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器130、存储器131。本领域技术人员可以理解，图13仅仅是终端设备13的举例，并不构成对终端设备13的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
[0214] 所称处理器130可以是中央处理单元(Central Processing Unit，CPU)，该处理器130还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0215] 所述存储器131在一些实施例中可以是所述终端设备13的内部存储单元，例如终端设备13的硬盘或内存。所述存储器131在另一些实施例中也可以是所述终端设备13的外部存储设备，例如所述终端设备13上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器131还可以既包括所述终端设备13的内部存储单元也包括外部存储设备。所述存储器131用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器131还可以用于暂时地存储已经输出或者将要输出的数据。
[0216] 本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任意各个地貌分类模型训练方法和/或地貌图构建方法实施例中的步骤。
[0217] 本申请实施例提供一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现上述各个地貌分类模型训练方法和/或地貌图构建方法实施例中的步骤。
[0218] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0219] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
[0220] 以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种煤矸石堆积区地貌重塑方法 | 2020-05-12 | 622 |
| 一种针对特殊地貌的挖掘装置 | 2020-05-12 | 438 |
| 喀斯特地貌下机械成孔方法 | 2020-05-12 | 862 |
| 一种月面地形地貌模拟器制造方法 | 2020-05-12 | 384 |
| 一种喀斯特地貌石漠化治理方法 | 2020-05-12 | 931 |
| 测算地貌现象信息盒维数的方法 | 2020-05-13 | 940 |
| 微地貌的确定方法和装置 | 2020-05-13 | 888 |
| 一种古地貌恢复方法 | 2020-05-11 | 195 |
| 喀斯特地貌旋挖成孔灌注桩施工方法 | 2020-05-13 | 477 |
| 一种基于ArcGIS的地貌类型划分方法 | 2020-05-13 | 604 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
地貌热门专利
QQ群二维码
意见反馈
意见反馈