本技术涉及遥感应用，具体而言，涉及一种矢量影像对齐模型训练方法、装置及电子设备。
背景技术：
1、数据的准确性与现势性对于建筑物的提取尤为重要，而保证精确的建筑物的矢量数据，是建筑物提取的重要组成部分，由于建筑物的影像数据与矢量数据来源的差异，导致矢量数据与影像数据可能存在偏移，需要基于影像数据对矢量数据进行纠正。
2、目前，普遍使用深度学习模型对遥感影像地物进行自动提取。深度学习模型需要预先训练，在训练深度学习模型时，需要使用矢量数据与影像数据的套合结果数据作为训练样本。
3、但是，由于数据生产要求的不一致及套合成果数据质量的差异，可能导致目前的矢量数据与影像数据的套合成果数据不适用于训练深度学习模型，从而影响深度学习模型的训练效果。
技术实现思路
1、本技术的目的在于，针对上述现有技术中的不足，提供一种矢量影像对齐模型训练方法、装置及电子设备，提高深度学习模型纠正矢量数据的准确性以及可靠性。
2、为实现上述目的，本技术实施例采用的技术方案如下：
3、第一方面，本技术实施例提供了一种矢量影像对齐模型训练方法，所述方法包括：
4、获取初始样本数据，所述初始样本数据中包括影像数据以及与所述影像数据具有第一套合关系的初始矢量数据；
5、对所述初始样本数据进行偏移，得到目标样本数据，所述目标样本数据中包括所述影像数据以及与所述影像数据具有第二套合关系的偏移矢量数据，所述第二套合关系的对齐程度低于所述第一套合关系的对齐程度；
6、将所述目标样本数据输入至初始训练模型中进行迭代训练，得到目标训练模型。
7、可选地，所述对所述初始样本数据进行偏移之前，包括：
8、对所述初始样本数据进行切片处理，得到多个切片样本数据；
9、对各所述切片样本数据中的初始矢量数据进行二值化处理，得到初始二值矢量数据。
10、可选地，对所述初始样本数据进行偏移，得到目标样本数据，包括：
11、对各所述切片样本数据中的初始二值矢量数据进行偏移，得到所述初始二值矢量数据对应的掩膜数据；
12、将所述掩膜数据与所述切片样本数据中的影像数据进行合并，得到目标样本数据。
13、可选地，将所述掩膜数据与所述掩膜数据对应的影像数据进行合并，得到目标样本数据，包括：
14、将所述掩膜数据与所述掩膜数据对应的影像数据进行合并，得到合并后的影像数据；
15、根据预先得到的像素均值以及像素标准差对所述合并后的影像数据进行处理，得到所述目标样本数据。
16、可选地，所述将所述目标样本数据输入至初始训练模型中进行迭代训练，得到目标训练模型，包括：
17、将所述目标样本数据与所述掩膜数据输入至所述初始训练模型中，由所述初始训练模型中的多尺度卷积模块以及掩膜注意力机制模块进行特征提取以及目标检测，得到所述初始训练模型的输出结果；
18、根据所述初始训练模型的输出结果对所述初始训练模型进行修正，迭代进行，直至修正后的初始训练模型满足预设的迭代结束条件，将满足迭代结束条件的初始训练模型作为所述目标训练模型。
19、可选地，所述将所述目标样本数据与所述掩膜数据输入至所述初始训练模型中，由所述初始训练模型中的多尺度卷积模块以及掩膜注意力机制模块进行迭代特征提取以及目标检测，得到所述初始训练模型的输出结果，包括：
20、由所述多尺度卷积模块对所述目标样本数据进行特征提取，得到多个不同尺度的特征图；
21、将所述多个不同尺度的特征图输入至所述掩膜注意力机制模块中，由所述掩膜注意力机制模块基于目标检测算法，得到各向量的目标结果；
22、由多层感知器对所述目标结果进行预测，得到所述初始训练模型的输出结果。
23、可选地，所述由多层感知器对所述目标结果进行预测，包括：
24、由所述多层感知器对所述目标结果进行类别预测，得到不同尺度下的类别预测结果；
25、由所述多层感知器对所述目标结果进行分割掩膜预测，得到所述目标结果为建筑物的概率值；
26、由所述多层感知器对所述目标结果进行偏移量预测，得到所述目标结果的偏移结果。
27、第二方面，本技术实施例还提供了一种矢量影像对齐模型的训练装置，所述装置包括：
28、获取模块，用于获取初始样本数据，所述初始样本数据中包括影像数据以及与所述影像数据具有第一套合关系的初始矢量数据；
29、偏移模块，用于对所述初始样本数据进行偏移，得到目标样本数据，所述目标样本数据中包括所述影像数据以及与所述影像数据具有第二套合关系的偏移矢量数据，所述第二套合关系的对齐程度低于所述第一套合关系的对齐程度；
30、训练模块，用于将所述目标样本数据输入至初始训练模型中进行迭代训练，得到目标训练模型。
31、可选地，所述偏移模块具体用于：
32、对所述初始样本数据进行切片处理，得到多个切片样本数据；
33、对各所述切片样本数据中的初始矢量数据进行二值化处理，得到初始二值矢量数据。
34、可选地，所述偏移模块具体用于：
35、对各所述切片样本数据中的初始二值矢量数据进行偏移，得到所述初始二值矢量数据对应的掩膜数据；
36、将所述掩膜数据与所述切片样本数据中的影像数据进行合并，得到目标样本数据。
37、可选地，所述偏移模块具体用于：
38、将所述掩膜数据与所述掩膜数据对应的影像数据进行合并，得到合并后的影像数据；
39、根据预先得到的像素均值以及像素标准差对所述合并后的影像数据进行处理，得到所述目标样本数据。
40、可选地，所述训练模块具体用于：
41、将所述目标样本数据与所述掩膜数据输入至所述初始训练模型中，由所述初始训练模型中的多尺度卷积模块以及掩膜注意力机制模块进行特征提取以及目标检测，得到所述初始训练模型的输出结果；
42、根据所述初始训练模型的输出结果对所述初始训练模型进行修正，迭代进行，直至修正后的初始训练模型满足预设的迭代结束条件，将满足迭代结束条件的初始训练模型作为所述目标训练模型。
43、可选地，所述训练模块具体用于：
44、由所述多尺度卷积模块对所述目标样本数据进行特征提取，得到多个不同尺度的特征图；
45、将所述多个不同尺度的特征图输入至所述掩膜注意力机制模块中，由所述掩膜注意力机制模块基于目标检测算法，得到各向量的目标结果；
46、由多层感知器对所述目标结果进行预测，得到所述初始训练模型的输出结果。
47、可选地，所述训练模块具体用于：
48、由所述多层感知器对所述目标结果进行类别预测，得到不同尺度下的类别预测结果；
49、由所述多层感知器对所述目标结果进行分割掩膜预测，得到所述目标结果为建筑物的概率值；
50、由所述多层感知器对所述目标结果进行偏移量预测，得到所述目标结果的偏移结果。
51、第三方面，本技术实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当应用程序运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行上述第一方面所述的矢量影像对齐模型训练方法的步骤。
52、第四方面，本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被读取并执行上述第一方面所述的矢量影像对齐模型训练方法的步骤。
53、本技术的有益效果是：
54、本技术提供的一种矢量影像对齐模型训练方法、装置及电子设备，通过获取包括影像数据以及与影像数据具有第一套合关系的初始矢量数据作为初始样本数据，可以保证初始样本数据是高套合成果数据，避免使用存在套合问题的套合成果数据，并对初始样本数据进行偏移，使用具有偏移的目标样本数据对初始训练模型进行训练，可以训练初始训练模型针对不同建筑物偏移量的预测并保证训练的准确性，从而可以提高得到的目标训练模型预测的准确性以及可靠性。
1.一种矢量影像对齐模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的矢量影像对齐模型的训练方法，其特征在于，所述对所述初始样本数据进行偏移之前，包括：
3.根据权利要求2所述的矢量影像对齐模型的训练方法，其特征在于，对所述初始样本数据进行偏移，得到目标样本数据，包括：
4.根据权利要求3所述的矢量影像对齐模型的训练方法，其特征在于，将所述掩膜数据与所述掩膜数据对应的影像数据进行合并，得到目标样本数据，包括：
5.根据权利要求3所述的矢量影像对齐模型的训练方法，其特征在于，所述将所述目标样本数据输入至初始训练模型中进行迭代训练，得到目标训练模型，包括：
6.根据权利要求5所述的矢量影像对齐模型的训练方法，其特征在于，所述将所述目标样本数据与所述掩膜数据输入至所述初始训练模型中，由所述初始训练模型中的多尺度卷积模块以及掩膜注意力机制模块进行迭代特征提取以及目标检测，得到所述初始训练模型的输出结果，包括：
7.根据权利要求6所述的矢量影像对齐模型的训练方法，其特征在于，所述由多层感知器对所述目标结果进行预测，包括：
8.一种矢量影像对齐模型的训练装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有所述处理器可执行的计算机程序，所述处理器执行所述计算机程序时实现上述权利要求1-7任一项所述的矢量影像对齐模型的训练方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1-7任一项所述的矢量影像对齐模型的训练方法的步骤。
