[发明专利]基于模型优化迭代的区域边界识别方法和装置

权利要求书

1.基于模型优化迭代的区域边界识别方法，其特征在于，包括：

将第一图像输入至第一训练模型，通过所述第一训练模型输出所述第一图像对应的第一场景特征向量；

根据所述第一场景特征向量以及场景聚类信息确定所述第一图像是否存在对应的识别场景，所述场景聚类信息包括一个或多个聚类中心，其中，每个聚类中心对应一个识别场景；

如果不存在所述对应的识别场景，则添加所述第一图像至第一样本训练集得到第二样本训练集，将所述第二样本训练集输入至原始神经网络模型，对所述原始神经网络模型进行训练以用于识别图像中的区域边界，其中，所述第一训练模型为对所述原始神经网络模型修改并训练后得到的模型。

2.根据权利要求1所述的基于模型优化迭代的区域边界识别方法，其特征在于，在将第一图像输入至第一训练模型之前，还包括：

在原始神经网络模型中添加场景特征层得到第一神经网络模型；

将第一样本训练集输入至所述第一神经网络模型，对所述第一神经网络模型进行训练得到第一训练模型，所述场景特征层用于输出所述第一样本训练集中每个样本图像对应的场景特征向量；

对所述第一神经网络模型输出的场景特征向量进行聚类运算，得到场景聚类信息。

3.根据权利要求2所述的基于模型优化迭代的区域边界识别方法，其特征在于，在原始神经网络模型中添加场景特征层得到第一神经网络模型之后，还包括：

在所述第一神经网络模型中的场景特征层后添加Softmax层得到第二神经网络模型，对所述第二神经网络模型进行反向传播训练得到预训练网络模型；

所述将第一样本训练集输入至所述第一神经网络模型，对所述第一神经网络模型进行训练得到第一训练模型，包括：

将第一样本训练集输入至所述预训练网络模型，对所述预训练网络模型进行训练得到第一训练模型。

4.根据权利要求3所述的基于模型优化迭代的区域边界识别方法，其特征在于，所述原始神经网络模型包括基于深度学习的神经网络分割模型，所述对所述第二神经网络模型进行反向传播训练得到预训练网络模型，包括：

冻结所述第二神经网络模型的主干网络参数，对所述第二神经网络模型中的场景特征层以及Softmax层的网络参数进行训练；

在迭代训练预设次数后，去除所述第二神经网络模型中的Softmax层得到预训练网络模型。

5.根据权利要求2所述的基于模型优化迭代的区域边界识别方法，其特征在于，所述将第一样本训练集输入至所述第一神经网络模型，对所述第一神经网络模型进行训练，包括：

获取第一样本训练集中的每个样本图像对，通过所述每个样本图像对对所述第一神经网络模型依次进行训练，其中，对所述第一神经网络模型进行训练时的损失函数由所述每个样本图像对中样本图像对应的场景特征向量以及样本图像对的权重计算得到。

6.根据权利要求5所述的基于模型优化迭代的区域边界识别方法，其特征在于，所述样本图像对包括地图瓦片切片对，其中，所述地图瓦片切片对中的每个地图瓦片切片包括对应的地理位置信息，所述样本图像对的权重包括由两个地图瓦片切片对应地理位置信息计算得到的距离信息的倒数。

7.根据权利要求1所述的基于模型优化迭代的区域边界识别方法，其特征在于，所述第一图像包括第一高精地图影像，所述将第一图像输入至第一训练模型，通过所述第一训练模型输出所述第一图像对应的第一场景特征向量，包括：

将所述第一高精地图影像切分得到多个地图瓦片切片，将每个地图瓦片切片分别输入至第一训练模型得到多个场景特征向量；

将计算得到的所述多个场景特征向量的均值确定为第一场景特征向量。

8.根据权利要求1-7中任一项所述的基于模型优化迭代的区域边界识别方法，其特征在于，如果存在所述对应的识别场景，则根据所述第一场景特征向量对所述第一图像对应的识别场景的聚类中心进行更新。