[发明专利]数据处理方法、船只跟踪方法、装置、设备及存储介质

说明书

本发明涉及人工智能领域，具体涉及一种数据处理方法、船只跟踪方法、装置、设备及存储介质。包括如下步骤：获取待重建图像数据；提取待重建图像数据的特征信息；将特征信息作为预先构建的密集深度反馈网络的输入，密集深度反馈网络为多个上采样单元和多个下采样单元密集连接形成的网络架构，利用多个上采样单元和多个下采样单元对特征信息进行迭代误差反馈处理，输出高分辨率图像。密集深度反馈网络中的多个上采样单元和多个下采样单元对特征信息进行迭代误差反馈处理，反复交替地计算高分辨率图像和低分辨率图像，该过程可以理解为自我纠正的步骤，不停地将误差映射到卷积层/反卷积层上，从而改变图像的分辨率，最终得到效果好的高分辨率图像。

技术领域

本发明涉及人工智能领域，具体涉及一种数据处理方法、船只跟踪方法、装置、设备及存储介质。

背景技术

在遥感领域，视频卫星是一种新型对地观测卫星，它主要利用低轨视频成像卫星或者敏捷成像卫星来实现。

视频卫星与传统对地光学遥感卫星的最大不同就是它具有较高的时间分辨率，能够对一定区域进行连续观测，以视频录像的方式获得目标更多的运动变化信息，特别适合对运动目标的高分辨率观测，用于获得目标的运动速度和方向，而这些重要信息是传统对地光学遥感卫星难以获得的。卫星视频影像正成为一种重要的动态遥感大数据，广泛应用于自然灾害预报、地表三维建模、地球资源普查以及动态目标跟踪等方面。

相比于传统光学静态遥感卫星，视频卫星提高了时间分辨率、牺牲了空间分辨率。同时，视频的数据量远远大于单张遥感影像，随着视频卫星采集视频的数据量急剧攀升，为了适应信道传输能力，不得不对卫星所采集到的视频进行压缩，从而导致传回地面的视频空间分辨率大大降低、清晰度严重下降。

目前提出的超分辨率重建的深度网络中，大多采用前向结构学习输入的特征，并通过非线性映射到高分辨率输出中。然而，这些方法并没有考虑高分辨率图像和低分辨率图像之间的互相依赖性，从而导致超分辨重建效果不好。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中超分辨重建效果不好的缺陷，从而提供一种影像数据处理方法，包括如下步骤：

获取待重建图像数据；

提取所述待重建图像数据的特征信息；

将所述特征信息作为预先构建的密集深度反馈网络的输入，所述密集深度反馈网络为多个上采样单元和多个下采样单元密集连接形成的网络架构，利用多个所述上采样单元和多个所述下采样单元对所述特征信息进行迭代误差反馈处理，输出高分辨率图像。

优选地，每个所述上采样单元与至少一个所述下采样单元连接，所有所述上采样单元的输出端串联。

优选地，所述上采样单元至少包括依次连接的第一反卷积层、第一卷积层和第二反卷积层，下采样单元至少包括依次连接的第二卷积层、第三反卷积层和第三卷积层；其中，所述卷积层用于对图像分辨率进行缩小；反卷积层用于对图像分辨率进行放大。

优选地，所述上采样单元的过程如下式：

第一反卷积层：

第一卷积层：

残差：

第二反卷积层：

输出：

其中，*表示卷积操作，L^t-1表示第一反卷积层的输入，p_t表示第一反卷积层，↑_s表示反卷积s倍，g_t表示第一卷积层，↓_s表示卷积s倍，q_t表示第二反卷积层；

所述下采样单元的过程如下式：

第二卷积层：

第三反卷积层：