(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210723621.7 (22)申请日 2022.06.24 (71)申请人 中科星睿 科技 （北京） 有限公司 地址 100044 北京市海淀区高梁桥 斜街42 号626室 (72)发明人 吴之祥　刘磊　刘璐瑶　 (74)专利代理 机构 北京唯智勤实知识产权代理 事务所(普通 合伙) 11557 专利代理师 孙姣 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 20/10(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 农田图像分割模型训练方法、 装置、 电子设 备和介质 (57)摘要 本公开的实施例公开了农田图像分割模型 训练方法、 装置、 电子设备和介质。 方法的一具体 实施方式包括： 获取目标农田边界矢量数据和目 标遥感图像； 生成坐标集； 生成与坐标集相对应 的目标图像， 其中， 目标图像的分辨率与目标遥 感图像的分辨率相同； 对目标图像和目标遥感图 像进行图像切割， 得到切割后图像子集和切割后 遥感图像子集； 将切割后图像子集中的切割后图 像作为训练标签， 切割后遥感图像子集中的切割 后遥感图像作为训练数据， 在二 分类语义分割的 技术框架下采用对抗学习的方式， 对初始农田图 像分割模型进行训练， 得到训练后的农田图像分 割模型。 该实施方式使用训练后的农田图像分割 模型， 可以精 准地实现对遥感图像中的农田信息 进行识别。 权利要求书3页 说明书13页 附图4页 CN 115272667 A 2022.11.01 CN 115272667 A 1.一种农田图像分割模型训练方法， 包括： 获取目标农田边界矢量数据和目标遥感图像， 其中， 所述目标农田边界矢量数据包括： 农田的矢量多边形， 所述目标农田边界矢量数据表征所述目标遥感图像中农田的边界信 息； 生成坐标集， 其中， 所述坐标集中的坐标为所述矢量多边形中的顶点的坐标， 所述坐标 集中的坐标为所述目标遥感图像对应遥感坐标系下的坐标； 生成与所述坐标集相对应的目标图像， 其中， 所述目标图像的分辨率与所述目标遥感 图像的分辨 率相同； 对所述目标图像和所述目标遥感图像进行图像切割， 得到切割后图像子集和切割后遥 感图像子集； 将所述切割后图像子集中的切割后图像作为训练标签， 所述切割后遥感图像子集中的 切割后遥感 图像作为训练数据， 对初始农田图像分割模型进行训练， 得到训练后的农田图 像分割模型。 2.根据权利要求1所述的方法， 其中， 所述 生成与所述 坐标集相对应的目标图像， 包括： 将所述坐标集添加至初始图像， 得到添加后的图像； 将所述添加后图像中的所述 坐标集进行 连线处理， 得到连线后图像； 对所述连线后图像所包括的连线对应的像素进行像素数值变换， 得到变换后图像， 作 为所述目标图像。 3.根据权利要求2所述的方法， 其中， 所述初始农田图像分割模型为初始生成式与对抗 式模型； 以及 所述将所述切割后图像子集中的切割后图像作为训练标签， 所述切割后遥感图像子集 中的切割后遥感图像作为训练数据， 对初始农田图像分割模型进行训练， 得到训练后的农 田图像分割模型， 包括： 对于所述切割后图像子集中的每 个切割后图像， 执 行生成式与对抗式模型训练步骤： 将所述切割后图像输入至初始生成式与对抗式模型中的初始生成式模型， 得到初始分 割结果和所述初始分割结果对应的第一损失值； 确定与所述切割后图像之间存在内容对应关系的切割后遥感图像； 将所述初始分割结果和所述切割后图像输入至所述初始生成式与对抗式模型中的初 始对抗式模型， 得到第一输出向量； 将所述初始分割结果和所述切割后遥感图像输入至所述初始生成式与对抗式模型中 的初始对抗式模型， 得到第二输出向量； 根据所述第一输出向量和所述第二输出向量， 生成第二损失值； 根据所述第一损 失值和所述第二损 失值， 对所述初始农田图像分割模型进行训练， 得 到训练后的农田图像分割模型。 4.根据权利要求3所述的方法， 其中， 所述根据所述第一输出向量和所述第二输出向 量， 生成第二损失值， 包括： 确定所述第一输出向量与预设全1矩阵之间的第一交叉熵损失值； 确定所述第二输出向量与预设全0矩阵之间的第二交叉熵损失值； 确定所述第 一交叉熵损失值与所述第 二交叉熵损失值之间的平均值， 作为所述第 二损权　利　要　求　书 1/3 页 2 CN 115272667 A 2失值。 5.根据权利要求4所述的方法， 其中， 所述将所述切割后图像输入至初始生成式与对抗 式模型中的初始生成式模型， 得到初始分割 结果和所述初始分割 结果对应的第一损失值， 包括： 将所述切割后图像输入至初始图像编码模型， 所述初始图像编码模型包括多个串行连 接的图像编码网络， 得到多个图像编码网络的输出矩阵； 将所述多个串行连接的图像编码网络中的最后一个图像编码网络对应的输出矩阵确 定为初始图像解码模型的输入矩阵； 将所述输出矩阵确定为 候选矩阵； 对于所述初始图像解码模型中的多个串行连接的图像解码网络的每个图像解码网络， 将图像解码网络确定为 候选图像解码网络， 以及执 行以下初始分割结果 生成步骤： 确定与所述候选图像解码网络相对应的图像编码网络的输出矩阵， 作为目标输出矩 阵； 将目标输出矩阵与候选矩阵进行矩阵融合， 得到融合矩阵； 将融合矩阵输入至所述 候选图像解码网络， 得到解码矩阵； 响应于确定所述候选图像解码网络是多个串行连接的图像解码网络中的最后一个网 络， 将解码矩阵作为所述初始图像解码模型的输出矩阵， 根据解码矩阵， 生成初始分割结 果； 响应于确定所述候选图像解码网络不是多个串行连接的图像解码网络中的最后一个 网络， 将解码矩阵作为候选矩阵， 当前图像解码网络的下一个图像解码网络作为候选图像 解码网络， 继续执 行所述初始分割结果 生成步骤。 6.根据权利要求5所述的方法， 其中， 所述初始图像编码模型包括： 第一初始图像编码 网络、 第二初始图像编码网络、 第三初始图像编码网络、 第四初始图像编 码网络和第五初始 图像编码网络； 以及 所述将所述切割后图像输入至初始图像编码模型， 所述初始图像编码模型包括多个串 行连接的图像编码网络， 得到多个图像编码网络的输出矩阵， 包括： 将所述切割后图像输入至第一初始图像编码网络， 得到第一特 征图； 将所述第一特 征图进行 特征图压缩， 得到第一压缩特 征图； 将所述第一压缩特征图输入至第 二初始图像编码网络所包括的普通卷积网络， 得到第 二特征图； 将所述第一特征图输入至第 二初始图像编码网络所包括的空洞卷积网络， 得到第 三特 征图； 将所述第二特 征图与所述第三特 征图进行 特征图融合， 得到第一融合特 征图； 将所述第一融合特 征图输入至第三初始图像编码网络， 得到第四特 征图； 将所述第四特 征图进行 特征图压缩， 得到第二压缩特 征图； 将所述第二压缩特征图输入至第四初始图像编码网络所包括的普通卷积网络， 得到第 五特征图； 将所述第四特征图输入至第四初始图像编码网络所包括的空洞卷积网络， 得到第六特 征图；权　利　要　求　书 2/3 页 3 CN 115272667 A 3