CN117830340A - 一种探地雷达目标特征分割方法、***、设备及存储介质 - Google Patents
一种探地雷达目标特征分割方法、***、设备及存储介质 Download PDFInfo
- Publication number
- CN117830340A CN117830340A CN202410017401.1A CN202410017401A CN117830340A CN 117830340 A CN117830340 A CN 117830340A CN 202410017401 A CN202410017401 A CN 202410017401A CN 117830340 A CN117830340 A CN 117830340A
- Authority
- CN
- China
- Prior art keywords
- loss
- image
- model
- obtaining
- segmentation model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000000149 penetrating effect Effects 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 67
- 230000006870 function Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 17
- 230000000737 periodic effect Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像分割领域,具体涉及一种探地雷达目标特征分割方法、***、设备及存储介质,其方法包括:获取训练图像以及对应的标签图像;基于所述训练图像以及所述标签图像,得到成对训练图像;获取分割模型;将所述成对训练图像输入所述分割模型中,得到输出图像;基于所述输出图像、标签图像以及所述分割模型,得到损失值;基于所述损失值以及损失条件调整所述分割模型的模型参数,得到优化分割模型;基于所述优化分割模型以及输入图像,得到目标特征。本申请通过优化分割模型,能够使提取出的目标特征图像质量更高的效果。
Description
技术领域
本发明属于图像分割领域,具体涉及一种探地雷达目标特征分割方法、***、设备及存储介质。
背景技术
探地雷达(GPR)法是通过分析地下介质内部的不连续性来识别地下物体的方法。GPR在检测双曲形态特征方面表现突出,并具备快速性、有效性和稳定性等特征,对识别地下未知物体至关重要,GPR虽然能力强大,但是在民用基础设施领域的图像解读使用受到一定限制。
相关技术中,对GPR的目标特征分割主要采用深度学习的方法,通过卷积操作直接从探地雷达B型扫描图像中提取高维度特征,免除了特定特征选择及参数调整等步骤。在GPR图像解读领域内,主流的深度模型包括如R-CNN这样更快速的目标检测模型及Mask R-CNN等实例分割模型。例如MaskR-CNN模型,利用GPR B型扫描图像开发了用于目标特征的自动检测,在GPR图像上执行更细致的分割。
针对上述相关技术,传统的GPR模型在提取目标特征的时候,由于损失函数的设置不当,导致生成器产生错误的图像,并导致图像细节的失真或丢失。
发明内容
本发明要解决的技术问题是提供一种探地雷达目标特征分割方法、***、设备及存储介质,通过优化分割模型,能够使提取出的目标特征图像质量更高,提高对GPR图像的目标特征提取的准确度。
一种探地雷达目标特征分割方法,包括:
获取训练图像以及对应的标签图像;
基于所述训练图像以及所述标签图像,得到成对训练图像;
获取分割模型;
将所述成对训练图像输入所述分割模型中,得到输出图像;
基于所述输出图像、标签图像以及所述分割模型,得到损失值;
基于所述损失值以及损失条件调整所述分割模型的模型参数,得到优化分割模型;
基于所述优化分割模型以及输入图像,得到目标特征。
可选的,所述将所述成对训练图像输入所述分割模型中,得到输出图像包括:
基于所述分割模型,获取第一生成器、第二生成器、第一鉴别器以及第二鉴别器;
基于所述第一生成器、第一生成器、第二生成器、第一鉴别器、第二鉴别器、所述成对训练图像以及所述分割模型,得到所述输出图像。
可选的,所述基于所述输出图像、标签图像以及分割模型,得到损失值包括:
基于所述分割模型,得到损失公式;
基于所述输出图像、所述标签图像以及所述损失公式,得到所述损失值。
可选的,所述基于所述输出图像、所述标签图像、所述模型损失公式、所述周期损失公式以及所述鉴别损失公式,得到所述损失值包括:
获取周期权重、模型权重以及鉴别权重;
基于所述输出图像、所述标签图像、所述模型损失公式、所述周期损失公式以及所述鉴别损失公式,得到模型损失、周期损失以及鉴别损失;
基于所述周期权重、周期损失、所述模型权重、所述模型损失、鉴别损失以及所述鉴别权重,得到所述损失值。
可选的,所述损失公式包括:
LCycleGAN=-LGAN(G,F,DX,DY)+λcycLcycle(G,F)+λidLidentity(G,F);
其中,λcyc和λid分别表示周期损失和鉴别损失的损失权值,G和F为生成器函数,DX和DY为鉴别器函数;
基于所述输入图像,得到图像特征;
基于所述图像特征以及周期损失公式,得到周期损失;
所述周期损失公式为:
其中,E[·]为期望函数,为特征提取器,w,h和d分别表示特征空间的宽度、高度和深度。
可选的,所述损失条件为:
其中,LGAN(G,D)为损失函数。
一种探地雷达目标特征分割***,包括:
第一获取模块,用于获取训练图像以及对应的标签图像;
训练图像生成模块,用于基于所述训练图像以及所述标签图像,得到成对训练图像;
第二获取模块,用于获取分割模型;
输出模块,用于将所述成对训练图像输入所述分割模型中,得到输出图像;
训练模块,用于基于所述输出图像、标签图像以及所述分割模型,得到损失值;
优化模块,用于基于所述损失值以及损失条件调整所述分割模型的模型参数,得到优化分割模型;
提取模块,用于基于所述优化分割模型以及输入图像,得到目标特征。
可选的,所述训练模块包括:
获取单元,用于获取周期权重、模型权重以及鉴别权重;
计算单元,用于基于所述输出图像、所述标签图像、所述模型损失公式、所述周期损失公式以及所述鉴别损失公式,得到模型损失、周期损失以及鉴别损失;
加权单元,用于基于所述周期权重、周期损失、所述模型权重、所述模型损失、鉴别损失以及所述鉴别权重,得到所述损失值。
一种终端设备,包括存储器、处理器,所述存储器储存有能够在处理器上运行的计算机程序,所述处理器加载并执行所述计算机程序时,采用了上述任一项一种探地雷达目标特征分割方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器加载并执行时,采用了上述的一种探地雷达目标特征分割方法。
本发明的有益效果是,通过准备两组成对的训练图像以及标签图像,使用第一生成器将域A的图像转换为域B的图像,得到生成器A的输出结果,也就是输出图像,即从域A到域B的转换图像,使用第二生成器将生成器A的输出图像(域B图像)转换为生成器A的输入也就是域A图像,实现从域B到域A的转换图像,通过在图像转换过程中,使得生成器生成的图像越来越逼真,而鉴别器鉴定合成图像的能力越来越强,最终达到一个平衡点也就是满足损失条件时模型训练完成,将输入图像输入优化分割模型提取目标特征。本申请通过优化分割模型,能够使提取出的目标特征图像质量更高。
附图说明
图1为本申请实施例一种探地雷达目标特征分割方法其中一种实施方式的流程示意图;
图2为本申请实施例一种探地雷达目标特征分割方法的流程示意图;
图3为本申请实施例一种探地雷达目标特征分割方法的的图像对比图。
具体实施方式
一种探地雷达目标特征分割方法,如图1所示,包括:
S100、获取训练图像以及对应的标签图像。
具体的,训练图像是从已公开数据集中找取的用来训练分割模型的图像,标签图像是用来与训练图像通过分割模型生成的图像进行比较,验证生成的图像与标签图像相似度的图像。
S110、基于训练图像以及标签图像,得到成对训练图像。
具体的,训练模型的时候,需要准备成对的图像,即一个训练图像要有一个对应的想要模型生成的图像的样子,因此,每一个训练图像都有一个对应的比较图像,也就是标签图像。因此,将一组训练图像以及对应的标签图像作为成对的训练图像用于训练分割模型。
S120、获取分割模型。
具体的,分割模型为用于输入图像中根据需求,提取出感兴趣的目标特征的模型。
提取过程可以用如下公式表示:
Iseg=f(Iraw),Iseg=xtar+xbac。
其中,f(·)表示GPR目标特征分割过程,Xtar为目标特征,Xbac为背景信息。
因此,只需要保留完整的双曲目标特征,弱化背景信息的影响即可。
S130、将成对训练图像输入分割模型中,得到输出图像。
具体的,将成对训练图像输入分割模型中,也就是训练图像和标签图像都输入分割模型中,分割模型会根据训练图像输出一个图像也就是输出图像,然后输出图像和标签图像对比。
S140、基于输出图像、标签图像以及分割模型,得到损失值。
具体的,分割模型输出的图像与标签图像进行比较,得到标签图像与输出图像的差异值,通过改善分割模型不断减小该差异值,使得输出图像与标签图像更接近,以此来训练分割模型。
S150、基于损失值以及损失条件调整分割模型的模型参数,得到优化分割模型。
具体的,通过训练调整分割模型的模型参数,从而得到优化分割模型。
S160、基于优化分割模型以及输入图像,得到目标特征。
具体的,根据输出图像与标签图像的损失值、训练分割模型的时候的损失条件优化分割模型,然后将输入图像输入优化后的分割模型中,得到目标特征。输入图像为GPR B型扫描图像。
目标特征为通过提取出的具有分段双曲特征的二值,以此表示GPR目标的识别和提取。
在本实施例的其中一种实施方式中,步骤S130即将成对训练图像输入分割模型中,得到输出图像包括:
S200、获取第一生成器、第二生成器、第一鉴别器以及第二鉴别器。
S210、基于第一生成器、第一生成器、第二生成器、第一鉴别器、第二鉴别器、成对训练图像以及分割模型,得到输出图像。
具体的,将两组不同训练图像,也就是一对成对的样本,包括一个来自域A的图像和一个来自域B的图像,使用第一生成器将域A的图像转换为域B的图像,得到生成器A的输出结果,也就是输出图像,即从域A到域B的转换图像。
使用第二生成器将生成器A的输出图像(域B图像)转换为生成器A的输入也就是域A图像,实现从域B到域A的转换图像。
然后使用第一鉴别器鉴定第一生成器生成的图像与真实图像的差异,也及时与域A的标签图像进行比较,使用第二鉴别器鉴定第二生成器生成的图像与真实图像的差异,根据差异大小不断优化分割模型,使得生成图像与真实图像的差异越来越小。
在本实施例的其中一种实施方式中,步骤S140即基于输出图像、标签图像以及分割模型,得到损失值包括:
S300、基于分割模型,得到模型损失公式、周期损失公式以及鉴别损失公式。
S310、基于输出图像、标签图像、模型损失公式、周期损失公式以及鉴别损失公式,得到损失值。
具体的,分割模型中预设有模型损失公式、周期损失公式以及鉴别损失公式,模型损失公式用来计算训练过程中的模型损失、周期损失公式用来计算训练过程中的周期损失、鉴别损失公式用来计算训练过程中的鉴别损失,通过模型损失、周期损失以及鉴别器损失加上不同的权重占比,得到损失值。
分割模型采用CycleGAN模型,CycleGAN是基于未配对数据训练的网络,可以学习不同域图像之间的映射。与GAN不同的是,CycleGAN由两组不同的生成器和鉴别器组成,该模型包含两个映射函数:生成器函数(F:X→Y与G:Y→X)和鉴别器函数(DX与DY)。DX使DX的输出与域X区分;DY使F(x)的输出与域Y区分。
在本实施例的其中一种实施方式中,步骤S310即基于输出图像、标签图像、模型损失公式、周期损失公式以及鉴别损失公式,得到损失值包括:
S400、获取周期权重、模型权重以及鉴别权重。
具体的,周期权重、模型权重以及鉴别权重分别为周期损失、模型损失和鉴别损失在分割模型中所占的权重。
S410、基于输出图像、标签图像、模型损失公式、周期损失公式以及鉴别损失公式,得到模型损失、周期损失以及鉴别损失。
具体的,通过生成器生成的图像和标签图像比较以及鉴别器识别生成器合成图像的能力,得到模型损失、周期损失以及鉴别损失。
S420、基于周期权重、周期损失、模型权重、模型损失、鉴别损失以及鉴别权重,得到损失值。
总损失计算公式为:
LCycleGAN=-LGAN(G,F,DX,DY)+λcycLcycle(G,F)+λidLidentity(G,F)。
其中,λcyc和λid分别表示周期损失和鉴别损失的损失权值。Lcycle(G,F)为周期损失,Lidenity(G,F)为鉴别损失,LGAN(G,F,DX,DY)为模型损失。然而,这些损失函数最终可能导致生成器产生错误的图像,并导致图像细节的失真或丢失。因此,更换了新的损失函数策略来保存图像细节或信息内容,应用特征空间中定义的感知损失函数来计算周期损失Lcycle(G,F)。
基于输入图像,得到图像特征。
具体的,图像特征为通过VGG-19网络作为预训练的特征提取器所提取出来的。
基于图像特征以及周期损失公式,得到周期损失。
其中,E[·]为感知损失函数,为特征提取器,w,h和d分别表示特征空间的宽度、高度和深度。在我们实现感知损失函数的过程中,采用了的VGG-19网络作为预训练的特征提取器。VGG-19网络包含16个卷积层,3个全连接层。第16个卷积层的输出是由VGG网络提取的特征,最后一层的输出即为损失值。
因此,改进后的总损失值计算公式为:
具体的,鉴别器的输出图像与标签图像进行比较,结合模型损失公式、周期损失公式以及鉴别损失公式,得到损失值,通过设定损失条件以此来改变分割模型的参数。优化过程是同时对生成器和鉴别器进行优化的,生成器负责生成逼真的图像,而鉴别器则负责判断生成的图像是真实的还是假的,因此二者的优化条件等价为最小值-最大值问题,损失条件为:
其中,LGAN(G,D)为损失函数。
在训练的过程中,每次输入一对成对的训练图像后,生成器和鉴别器都会互相对抗,因此,在训练的过程中不断的改进自身的参数,也就是周期权重、模型权重以及鉴别权重的大小,以此来不断的优化分割模型,使得模型的特征提取能力不断加强。
生成器通过不断调整参数,逐渐生成更接近真实数据分布的样本。在这个过程中,生成器会学习到目标领域的特征,以及如何从随机噪声或其他输入中提取这些特征。通过优化的过程,生成器的能力越来越强,可以生成更加真实且与目标数据类似的样本。鉴别器通过学习区分生成器生成的样本和真实样本,逐渐提高自身的判别能力。鉴别器通过不断调整参数,使得它能够更准确地判别生成的样本与真实样本之间的差异。这意味着鉴别器需要学习到真实数据的特征,并将这些特征用于判断样本的真实性。因此,鉴别器在学习过程中也能提取并加强特征提取的能力。最终达到提取的所需要的图像的目标特征能力加强。
如图2所示,GPR B扫描图像与标签图像输入生成器中,生成器生成图像与真实图像一起判别器中,判别器会计算出生成器损失和判别器损失,生成器损失和判别器损失共同组成模型损失,然后输入图像通过VGG网络提取图像特征,包括输入图像特征和生成图像特征,在根据损失函数计算出感知损失,通过调节参数来减小模型损失、感知损失以及循环过程中的周期损失,生成器和鉴别器相互对抗的过程,使得优化训练模型提取GPR B扫描图像的目标特征的能力加强,如图3所示,优化训练模型提取目标特征的示意图,其中,图3中的图a为输入图像,图3中的图b为标签图像,图3中的图c为分割图像,分割图像为将输入图像中的目标特征提取出来后得到图像。
一种探地雷达目标特征分割***,包括:
第一获取模块,用于获取训练图像以及对应的标签图像。
训练图像生成模块,用于基于训练图像以及标签图像,得到成对训练图像。
第二获取模块,用于获取分割模型。
输出模块,用于将成对训练图像输入分割模型中,得到输出图像。
训练模块,用于基于输出图像、标签图像以及分割模型,得到损失值。
优化模块,用于基于损失值以及损失条件调整分割模型的模型参数,得到优化分割模型。
提取模块,用于基于优化分割模型以及输入图像,得到目标特征。
训练模块包括:
获取单元,用于获取周期权重、模型权重以及鉴别权重。
计算单元,用于基于输出图像、标签图像、模型损失公式、周期损失公式以及鉴别损失公式,得到模型损失、周期损失以及鉴别损失。
加权单元,用于基于周期权重、周期损失、模型权重、模型损失、鉴别损失以及鉴别权重,得到损失值。
本申请实施例还公开一种终端设备,包括存储器、处理器,存储器储存有能够在处理器上运行的计算机程序,处理器加载并执行计算机程序时,采用了一种探地雷达目标特征分割方法。
其中,终端设备可以采用台式电脑、笔记本电脑或者云端服务器等计算机设备,并且,终端设备包括但不限于处理器以及存储器,例如,终端设备还可以包括输入输出设备、网络接入设备以及总线等。
其中,处理器可以采用中央处理单元(CPU),当然,根据实际的使用情况,也可以采用其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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,通用处理器可以采用微处理器或者任何常规的处理器等,本申请对此不做限制。
其中,存储器可以为终端设备的内部存储单元,例如,终端设备的硬盘或者内存,也可以为终端设备的外部存储设备,例如,终端设备上配备的插接式硬盘、智能存储卡(SMC)、安全数字卡(SD)或者闪存卡(FC)等,并且,存储器还可以为终端设备的内部存储单元与外部存储设备的组合,存储器用于存储计算机程序以及终端设备所需的其他程序和数据,存储器还可以用于暂时地存储已经输出或者将要输出的数据,本申请对此不做限制。
其中,通过本终端设备,将上述实施例中的一种探地雷达目标特征分割方法存储于终端设备的存储器中,并且,被加载并执行于终端设备的处理器上,方便使用。
本申请实施例还公开一种计算机可读存储介质,并且,计算机可读存储介质存储有计算机程序,其中,计算机程序被处理器执行时,采用了上述实施例中的一种探地雷达目标特征分割方法。
其中,计算机程序可以存储于计算机可读介质中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间件形式等,计算机可读介质包括能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM)、随机存取存储器(RAM)、电载波信号、电信信号以及软件分发介质等,需要说明的是,计算机可读介质包括但不限于上述元器件。
其中,通过本计算机可读存储介质,将上述实施例中的一种探地雷达目标特征分割方法存储于计算机可读存储介质中,并且,被加载并执行于处理器上,以方便上述方法的存储及应用
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的保护范围限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请中一个或多个实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本申请中一个或多个实施例旨在涵盖落入本申请的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请中一个或多个实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种探地雷达目标特征分割方法,其特征是,包括:
获取训练图像以及对应的标签图像;
基于所述训练图像以及所述标签图像,得到成对训练图像;
获取分割模型;
将所述成对训练图像输入所述分割模型中,得到输出图像;
基于所述输出图像、标签图像以及所述分割模型,得到损失值;
基于所述损失值以及损失条件调整所述分割模型的模型参数,得到优化分割模型;
基于所述优化分割模型以及输入图像,得到目标特征。
2.如权利要求1所述的一种探地雷达目标特征分割方法,其特征是,所述将所述成对训练图像输入所述分割模型中,得到输出图像包括:
基于所述分割模型,获取第一生成器、第二生成器、第一鉴别器以及第二鉴别器;
基于所述第一生成器、第一生成器、第二生成器、第一鉴别器、第二鉴别器、所述成对训练图像以及所述分割模型,得到所述输出图像。
3.如权利要求2所述的一种探地雷达目标特征分割方法,其特征是,所述基于所述输出图像、标签图像以及所述分割模型,得到损失值包括:
基于所述分割模型,得到模型损失公式、周期损失公式以及鉴别损失公式;
基于所述输出图像、所述标签图像、所述模型损失公式、所述周期损失公式以及所述鉴别损失公式,得到所述损失值。
4.如权利要求3所述的一种探地雷达目标特征分割方法,其特征是,所述基于所述输出图像、所述标签图像、所述模型损失公式、所述周期损失公式以及所述鉴别损失公式,得到所述损失值包括:
获取周期权重、模型权重以及鉴别权重;
基于所述输出图像、所述标签图像、所述模型损失公式、所述周期损失公式以及所述鉴别损失公式,得到模型损失、周期损失以及鉴别损失;
基于所述周期权重、周期损失、所述模型权重、所述模型损失、鉴别损失以及所述鉴别权重,得到所述损失值。
5.如权利要求4所述的一种探地雷达目标特征分割方法,其特征是,所述损失公式包括:
LCycleGAN=-LGAN(G,F,DX,DY)
+λcycLcycle(G,F)
+λidLidentity(G,F);
其中,λcyc和λid分别表示周期损失和鉴别损失的损失权值,G和F为生成器函数,DX和DY为鉴别器函数;
基于所述输入图像,得到图像特征;
基于所述图像特征以及周期损失公式,得到周期损失;
所述周期损失公式为:
其中,E[·]为期望函数,为特征提取器,w,h和d分别表示特征空间的宽度、高度和深度。
6.如权利要求5所述的一种探地雷达目标特征分割方法,其特征是,所述损失条件为:
其中,LGAN(G,D)为损失函数。
7.一种探地雷达目标特征分割***,其特征是,包括:
第一获取模块,用于获取训练图像以及对应的标签图像;
训练图像生成模块,用于基于所述训练图像以及所述标签图像,得到成对训练图像;
第二获取模块,用于获取分割模型;
输出模块,用于将所述成对训练图像输入所述分割模型中,得到输出图像;
训练模块,用于基于所述输出图像、标签图像以及所述分割模型,得到损失值;
优化模块,用于基于所述损失值以及损失条件调整所述分割模型的模型参数,得到优化分割模型;
提取模块,用于基于所述优化分割模型以及输入图像,得到目标特征。
8.如权利要求7所述的一种探地雷达目标特征分割***,其特征是,所述训练模块包括:
获取单元,用于获取周期权重、模型权重以及鉴别权重;
计算单元,用于基于所述输出图像、所述标签图像、所述模型损失公式、所述周期损失公式以及所述鉴别损失公式,得到模型损失、周期损失以及鉴别损失;
加权单元,用于基于所述周期权重、周期损失、所述模型权重、所述模型损失、鉴别损失以及所述鉴别权重,得到所述损失值。
9.一种终端设备,包括存储器和处理器,其特征在于,所述存储器储存有能够在处理器上运行的计算机程序,所述处理器加载并执行所述计算机程序时,采用了权利要求1至6中任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其特征在于,所述计算机程序被处理器加载并执行时,采用了权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410017401.1A CN117830340A (zh) | 2024-01-04 | 2024-01-04 | 一种探地雷达目标特征分割方法、***、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410017401.1A CN117830340A (zh) | 2024-01-04 | 2024-01-04 | 一种探地雷达目标特征分割方法、***、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117830340A true CN117830340A (zh) | 2024-04-05 |
Family
ID=90518903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410017401.1A Pending CN117830340A (zh) | 2024-01-04 | 2024-01-04 | 一种探地雷达目标特征分割方法、***、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117830340A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118015010A (zh) * | 2024-04-10 | 2024-05-10 | 中南大学 | Gpr实例分割方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886974A (zh) * | 2019-01-28 | 2019-06-14 | 北京易道博识科技有限公司 | 一种***去除方法 |
CN110246488A (zh) * | 2019-06-14 | 2019-09-17 | 苏州思必驰信息科技有限公司 | 半优化CycleGAN模型的语音转换方法及装置 |
CN110570363A (zh) * | 2019-08-05 | 2019-12-13 | 浙江工业大学 | 基于带有金字塔池化与多尺度鉴别器的Cycle-GAN的图像去雾方法 |
CN111199550A (zh) * | 2020-04-09 | 2020-05-26 | 腾讯科技(深圳)有限公司 | 图像分割网络的训练方法、分割方法、装置和存储介质 |
CN112819732A (zh) * | 2021-04-19 | 2021-05-18 | 中南大学 | 一种探地雷达B-scan图像去噪方法 |
WO2021206284A1 (ko) * | 2020-04-09 | 2021-10-14 | 한밭대학교 산학협력단 | 사이클 gan과 세그맨테이션을 사용한 깊이 추정 방법 및 시스템 |
US20210383520A1 (en) * | 2021-03-03 | 2021-12-09 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for generating image, device, storage medium and program product |
CN116188516A (zh) * | 2022-12-30 | 2023-05-30 | 深存科技(无锡)有限公司 | 缺陷数据生成模型的训练方法 |
CN116563402A (zh) * | 2023-03-31 | 2023-08-08 | 徐州鑫达房地产土地评估有限公司 | 跨模态mri-ct图像合成方法、***、设备和介质 |
KR102565747B1 (ko) * | 2022-11-25 | 2023-08-11 | 대한민국 | 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법 |
-
2024
- 2024-01-04 CN CN202410017401.1A patent/CN117830340A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886974A (zh) * | 2019-01-28 | 2019-06-14 | 北京易道博识科技有限公司 | 一种***去除方法 |
CN110246488A (zh) * | 2019-06-14 | 2019-09-17 | 苏州思必驰信息科技有限公司 | 半优化CycleGAN模型的语音转换方法及装置 |
CN110570363A (zh) * | 2019-08-05 | 2019-12-13 | 浙江工业大学 | 基于带有金字塔池化与多尺度鉴别器的Cycle-GAN的图像去雾方法 |
CN111199550A (zh) * | 2020-04-09 | 2020-05-26 | 腾讯科技(深圳)有限公司 | 图像分割网络的训练方法、分割方法、装置和存储介质 |
WO2021206284A1 (ko) * | 2020-04-09 | 2021-10-14 | 한밭대학교 산학협력단 | 사이클 gan과 세그맨테이션을 사용한 깊이 추정 방법 및 시스템 |
US20210383520A1 (en) * | 2021-03-03 | 2021-12-09 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for generating image, device, storage medium and program product |
CN112819732A (zh) * | 2021-04-19 | 2021-05-18 | 中南大学 | 一种探地雷达B-scan图像去噪方法 |
KR102565747B1 (ko) * | 2022-11-25 | 2023-08-11 | 대한민국 | 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법 |
CN116188516A (zh) * | 2022-12-30 | 2023-05-30 | 深存科技(无锡)有限公司 | 缺陷数据生成模型的训练方法 |
CN116563402A (zh) * | 2023-03-31 | 2023-08-08 | 徐州鑫达房地产土地评估有限公司 | 跨模态mri-ct图像合成方法、***、设备和介质 |
Non-Patent Citations (3)
Title |
---|
FEIFEI HOU ET AL.: "S-CycleGAN: A Novel Target Signature Segmentation Method for GPR Image Interpretation", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》, vol. 21, 12 February 2024 (2024-02-12) * |
JUN YAN ZHU ET AL.: "Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks", 《HTTPS://DOI.ORG/10.48550/ARXIV.1703.10593》, 24 August 2020 (2020-08-24) * |
黄佳恒 等: "基于改进CycleGAN的夜间道路环境下非机动车特征增强方法", 《现代计算机》, vol. 29, no. 20, 25 October 2023 (2023-10-25), pages 1 - 8 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118015010A (zh) * | 2024-04-10 | 2024-05-10 | 中南大学 | Gpr实例分割方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222434A (zh) | 基于局部二值模式和深度学习的合成人脸图像取证方法 | |
CN106886995B (zh) | 多线性示例回归器聚合的图像显著对象分割方法 | |
CN110659582A (zh) | 图像转换模型训练方法、异质人脸识别方法、装置及设备 | |
CN110119753B (zh) | 一种重构纹理识别岩性的方法 | |
CN109472817B (zh) | 一种基于循环生成对抗网络的多序列磁共振图像配准方法 | |
CN105354578B (zh) | 一种多目标物体图像匹配方法 | |
CN117830340A (zh) | 一种探地雷达目标特征分割方法、***、设备及存储介质 | |
CN107729926B (zh) | 一种基于高维空间变换的数据扩增方法、机器识别*** | |
CN105718866A (zh) | 一种视觉目标检测与识别方法 | |
CN112950639B (zh) | 一种基于SA-Net的MRI医学图像分割方法 | |
CN113379707A (zh) | 一种基于动态滤波解耦卷积网络的rgb-d显著性检测方法 | |
CN114842524B (zh) | 一种基于不规则显著性像素簇的人脸鉴伪方法 | |
CN114329034A (zh) | 基于细粒度语义特征差异的图像文本匹配判别方法及*** | |
CN113095158A (zh) | 一种基于对抗生成网络的笔迹生成方法及装置 | |
CN113902613A (zh) | 一种基于三支聚类语义分割的图像风格迁移***及其方法 | |
CN110222217B (zh) | 一种基于分段加权的鞋印图像检索方法 | |
CN112330562B (zh) | 一种异构遥感图像变换方法及*** | |
CN112560925A (zh) | 一种复杂场景目标检测数据集构建方法及*** | |
CN110321889A (zh) | 一种图片文件中插图定位提取方法及*** | |
Akther et al. | Detection of Vehicle's Number Plate at Nighttime using Iterative Threshold Segmentation (ITS) Algorithm | |
CN108154107B (zh) | 一种确定遥感图像归属的场景类别的方法 | |
CN115223033A (zh) | 一种合成孔径声呐图像目标分类方法及*** | |
CN109886212A (zh) | 从滚动指纹合成现场指纹的方法和装置 | |
CN115424163A (zh) | 唇形修改伪造视频检测方法、装置、设备及存储介质 | |
KR102464851B1 (ko) | 다중 스케일 특징맵을 이용하는 학습 방법 및 영상 분류 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |