CN116721316A - 一种模型训练和地磁图优化方法、装置、介质及设备 - Google Patents

Abstract

本说明书公开了一种模型训练和地磁图优化方法、装置、介质及设备。所述方法包括：获取指定区域的初始地磁图；通过预设矢量磁强计，测量指定区域的磁场数据，并基于磁场数据生成目标地磁图，目标地磁图的分辨率高于初始地磁图的分辨率；将初始地磁图作为训练样本输入待训练生成模型中的生成网络，以通过生成网络生成指定区域的超分辨率地磁图；将超分辨率地磁图以及目标地磁图输入生成模型中的判别网络，以通过判别网络确定超分辨率地磁图为目标地磁图的概率；以最小化超分辨率地磁图与目标地磁图之间的偏差，以及，最小化将超分辨率地磁图判别为目标地磁图的概率为优化目标，对生成模型进行训练。

Description

一种模型训练和地磁图优化方法、装置、介质及设备

技术领域

本说明书涉及计算机技术领域，尤其涉及一种模型训练和地磁图优化方法、装置、介质及设备。

背景技术

地磁导航技术是一种抗干扰能力强、无积累误差并且精度适中的导航方式，其中，地磁导航需要地磁图作为地磁匹配的基准图，地磁图的精度决定了地磁导航的准确性。

目前通常采用空间插值的方式对原有地磁图的精度进行提升，即根据稀疏的地磁数据进行空间插值，并适当的描绘光滑的等值线，这种方式虽然带来了分辨率的提升，但是并不符合实际的地磁分布情况，其误差较大，对地磁图的精度带来一定的限制，难以保证地磁导航的准确性。

因此，如何在保证实际地磁分布情况的前提下准确的对地磁图的精度进行提升，进一步保证地磁导航的准确性，是一个亟待解决的问题。

发明内容

本说明书提供一种模型训练和地磁图优化方法、装置、介质及设备，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种模型训练的方法，包括：

获取指定区域的初始地磁图；

通过预设矢量磁强计，测量所述指定区域的磁场数据，并基于所述磁场数据生成目标地磁图，所述目标地磁图的分辨率高于所述初始地磁图的分辨率；

将所述初始地磁图作为训练样本输入待训练生成模型中的生成网络，以通过所述生成网络生成所述指定区域的超分辨率地磁图；

将所述超分辨率地磁图以及所述目标地磁图输入所述生成模型中的判别网络，以通过所述判别网络确定所述超分辨率地磁图为所述目标地磁图的概率；

以最小化所述超分辨率地磁图与所述目标地磁图之间的偏差，以及，最小化将所述超分辨率地磁图判别为所述目标地磁图的概率为优化目标，对所述生成模型进行训练。

可选地，获取指定区域的初始地磁图，具体包括：

获取所述指定区域对应的地磁场模型；

基于所述地磁场模型，计算所述指定区域对应的磁场数据；

根据计算出的磁场数据构建所述初始地磁图。

可选地，以最小化所述超分辨率地磁图与所述目标地磁图之间的偏差，以及，最小化将所述超分辨率地磁图判别为所述目标地磁图的概率为优化目标，对所述生成模型进行训练，具体包括：

以最小化所述超分辨率地磁图与所述目标地磁图之间的偏差为优化目标，对所述生成网络进行训练，以及，以最小化将所述超分辨率地磁图判别为所述目标地磁图的概率为优化目标，对所述判别网络进行训练。

本说明书提供了一种地磁图优化方法，包括：

获取目标区域的初始地磁图；

将所述初始地磁图输入预先训练的生成模型，以通过所述生成模型生成所述目标区域对应的超分辨率地磁图，其中，所述超分辨率地磁图的分辨率高于所述初始地磁图的分辨率，所述生成模型通过上述模型训练方法训练得到。

可选地，所述方法还包括：

获取所述目标区域的地理信息数据；

根据所述地理信息数据，对所述超分辨率地磁图进行调整，得到调整后地磁图数据；

根据所述调整后地磁图数据执行任务。

可选地，所述地理信息数据包括：所述目标区域的地形数据以及地貌数据中的至少一种。

可选地，获取目标区域的初始地磁图之前，所述方法还包括：

将训练完成后的所述生成模型进行部署，并将所述生成模型中的判别网络进行删除。

本说明书提供了一种模型训练装置，包括：

获取模块，获取指定区域的初始地磁图；

测量模块，通过预设矢量磁强计，测量所述指定区域的磁场数据，并基于所述磁场数据生成目标地磁图，所述目标地磁图的分辨率高于所述初始地磁图的分辨率；

生成模块，将所述初始地磁图作为训练样本输入待训练生成模型中的生成网络，以通过所述生成网络生成所述指定区域的超分辨率地磁图；

判别模块，将所述超分辨率地磁图以及所述目标地磁图输入所述生成模型中的判别网络，以通过所述判别网络确定所述超分辨率地磁图为所述目标地磁图的概率；

训练模块，以最小化所述超分辨率地磁图与所述目标地磁图之间的偏差，以及，最小化所述超分辨率地磁图为所述目标地磁图的概率为优化目标，对所述生成模型进行训练。

本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述模型训练的方法。

本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述模型训练的方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的模型训练的方法中，通过预设矢量磁强计，测量指定区域的磁场数据，并基于磁场数据生成目标地磁图，目标地磁图的分辨率高于初始地磁图的分辨率；将初始地磁图作为训练样本输入待训练生成模型中的生成网络，以通过生成网络生成指定区域的超分辨率地磁图；将超分辨率地磁图以及目标地磁图输入生成模型中的判别网络，以通过判别网络确定超分辨率地磁图为目标地磁图的概率；以最小化超分辨率地磁图与目标地磁图之间的偏差，以及，最小化超分辨率地磁图为目标地磁图的概率为优化目标，对生成模型进行训练。

从上述方法可以看出，本方案在对生成模型进行训练的过程中，可以利用生成网络与判别网络之间的对抗关系，使生成网络所生成的超分辨率地磁图随着模型训练逐渐接近真实的目标地磁图，而判别网络随着模型的训练能够更准确的对超分辨率地磁图与目标地磁图进行区分，随着判别网络判别精准度的提高，生成网络生成的超分辨率地磁图的精度以及真实性也得到提升，从而骗过判别网络，在保证实际地磁分布情况的前提下准确的对地磁图的精度进行提升，进一步保证地磁导航的准确性。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书中提供的一种模型训练方法的流程示意图；

图2为本说明书中提供的一种生成模型的训练过程示意图；

图3为本说明书中提供的一种地磁图优化方法的流程示意图；

图4为本说明书提供的一种模型训练装置的示意图；

图5为本说明书提供的一种地磁图生成装置的示意图；

图6为本说明书提供的一种对应于图1或图3的电子设备示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书中提供的一种模型训练的方法的流程示意图，包括以下步骤：

S101：获取指定区域的初始地磁图。

S102：通过预设矢量磁强计，测量所述指定区域的磁场数据，并基于所述磁场数据生成目标地磁图，所述目标地磁图的分辨率高于所述初始地磁图的分辨率。

目前，区域高精度地磁图构建主要采用各种空间插值法，即根据地磁测点数据进行空间插值，并在误差范围内适当的描绘光骨的等值线，从而得到更高精度的地磁图。见的空间插值方法有克里金插值法、径向基函数插值法、反距离加权插三法、最邻近插值法、线性插值法、最小曲率法、多项式拟合法等。然而，空间插值法预设了特定的地磁场特征形式，这限制了磁强计精度提升对地磁图精度的提升。

基于此，本说明书提供了一种模型训练方法，通过初始地磁图以及磁强计采集到的目标地磁图训练对抗生成网络，进而在后续实际导航的过程中通训练完成的对抗生成网络对目标区域地磁图的精度进行提升，保证得到的超分辨率地磁图符合实际的地磁分布，进一步保证地磁导航的准确性。

在本说明书中，用于实现一种模型训练方法的执行主体可以是服务器等指定设备，为了便于描述，本说明书仅以服务器作为执行主体为例，对本说明书提供的一种模型训练方法进行说明。

其中，服务器可以先获取指定区域对应的开源地磁场模型，该开源地磁场模型可以包括国际地磁参考场（International Geomagnetic Reference Field，IGRF）、世界地磁场模型(World Magnetic Model，WMM)等，本说明书对此不做具体限定。

服务器可以基于地磁场模型，计算上述指定区域的磁场数据，该磁场数据可以为指定区域的磁场强度分布数据，而后服务器可以基于该磁场数据构建低分辨率的初始地磁图。

进一步的，服务器可以通过高精度的预设矢量磁强计，测量上述指定区域的真实地磁场数据，进而根据指定区域的真实地磁场数据构建高分辨率的目标地磁图。

需要说明的是，由于目标地磁图是通过高精度矢量磁强计测量磁场数据后构建的，所以目标地磁图的分辨率（精度）要高于初始地磁图的分辨率。

S103：将所述初始地磁图作为训练样本输入待训练生成模型中的生成网络，以通过所述生成网络生成所述指定区域的超分辨率地磁图。

S104：将所述超分辨率地磁图以及所述目标地磁图输入所述生成模型中的判别网络，以通过所述判别网络确定所述超分辨率地磁图为所述目标地磁图的概率。

服务器可以在开源地磁场模型中选取多个区域作为指定区域，每个指定区域的大小以及位置可以根据实际情况进行设定，本说明书对此不做具体限定。另外，对于每个指定区域，服务器可以将该指定区域的初始地磁图作为对生成模型进行训练的训练样本，将该指定区域的目标地磁图作为训练样本的标签。

在本说明书中，上述生成模型可以为堆叠对抗生成网络（Stacked GenerativeAdversarial Networks，SGAN）模型，该生成模型中可以设置有生成网络和判别网络。

在本说明书中，生成网络的网络结构可以包括深度卷积神经网络（Diffusion-Convolution Neural Network，DCNN）、残差网络（Residual Network，ResNet）等，判别网络的网络结构可以包括卷积神经网络（Convolution Neural Network，CNN）、全连接神经网络（Fully Connected Neural Network，FCNN）等，本说明书对此不做具体限定。

具体的，服务器可以将初始地磁图输入待训练生成模型的生成网络，通过生成网络生成超分辨率地磁图，其中，超分辨率地磁图的分辨率高于初始地磁图，从而对初始地磁图的精度（分辨率）进行增强。

而后服务器可以将超分辨率地磁图以及目标地磁图输入待训练生成模型的判别网络，通过判别网络确定将超分辨率地磁图判别为目标地磁图的概率。

S105：以最小化所述超分辨率地磁图与所述目标地磁图之间的偏差，以及，最小化所述超分辨率地磁图为所述目标地磁图的概率为优化目标，对所述生成模型进行训练。

服务器可以以最小化生成网络输出的超分辨率地磁图与目标地磁图之间的偏差为优化目标，对生成网络进行训练，以及，以最小化判别网络将超分辨率地磁图判别为目标地磁图的概率为优化目标，对判别网络进行训练。

需要说明的是，以最小化生成网络输出的超分辨率地磁图与目标地磁图之间的偏差为优化目标实际是为了降低超分辨率地磁图与目标地磁图的差异，从而骗过判别网络（提高将超分辨率地磁图判别为目标地磁图的概率），进而对生成网络进行训练。这样一来，就可以利用生成网络与判别网络之间的对抗关系，使生成网络所生成的超分辨率地磁图随着模型训练逐渐接近真实的目标地磁图，从而骗过判别网络，而判别网络随着模型的训练能够更准确的对超分辨率地磁图与目标地磁图进行区分，进而通过对抗提高生成的超分辨率地磁图的真实性与准确性。

当然，上述判别网络也可以输出二分类的判别结果，即输出超分辨率地磁图是否为目标地磁图。服务器可以以最小化判别网络输出的判别结果与超分辨率地磁图和目标地磁图的实际分类之间的偏差为优化目标，对判别网络进行训练。

其中，服务器可以通过损失函数实现对模型的优化，该损失函数可以包括对抗损失、感知损失以及内容损失等，本说明书对此不做具体限定。为了便于理解，本说明书提供了一种生成模型的训练过程示意图，如图2所示。

图2为本说明书中提供的一种生成模型的训练过程示意图。

其中，服务器将初始地磁图（LR）输入生网络，得到超分辨率地磁图（SR），而后将目标地磁图（HR）与超分辨率地磁图输入判别网络，当判别网络将超分辨率地磁图判别为目标地磁图时，判别结果为假，否则为真。

当满足训练目标后，服务器可以将生成模型进行部署，以通过部署后的生成模型执行后续任务。需要说明的是，生成模型中的判别网络仅用于模型训练过程，在实际应用过程中并不需要该判别网络，因此将生成模型部署后服务器可以从生成模型中删除判别网络。

在本说明书中，上述训练目标可以有多种，如生成模型收敛至预设范围，或达到预设训练次数等，上述预设范围和预设训练次数可以根据实际情况进行设定，本说明书对此不做具体限定。

以上为从模型训练的角度，对生成模型的训练过程进行的说明，以下将结合附图，从生成模型的实际应用角度，对本说明书提供的一种地磁图优化方法进行说明。

图3为本说明书中提供的一种地磁图优化方法的流程示意图，包括以下步骤：

S301：获取目标区域的初始地磁图；

S302：将所述初始地磁图输入预先训练的生成模型，以通过所述生成模型对所述初始地磁图进行优化，生成所述目标区域对应的超分辨率地磁图，其中，所述超分辨率地磁图的分辨率高于所述初始地磁图的分辨率，所述生成模型通过上方法训练得到。

在对驾驶设备进行地磁图导航的过程中，服务器可以根据开源地磁图模型获取目标区域（如驾驶设备当前所在的区域）的初始地磁图，该目标区域的区域到小可以根据实际情况进行设定，本说明书对此不做具体限定。

其中，上述驾驶设备可以包括无人驾驶设备（如无人机、无人车、智能机器人等），当然，也可以包括普通的载人驾驶设备（如飞机、潜水艇、轮船等）。

而后服务器可以将目标区域的初始地磁图输入上述生成模型，通过该生成模型的生成网络生成目标区域的超分辨率地磁图，由于生成模事先经过了训练，所以通过生成模型所生成的超分辨率地磁图的精度要高于初始地磁图，从而实现的初始地磁图的优化。

另外，由于地形数据可以提供关于地面高度的信息，这可能影响地磁场的强度和分布。地貌数据可以提供关于地面特征的信息，如山脉、河流、湖泊等，这些特征可能也会影响地磁场的特性。

因此，服务器可以获取目标区域的地理信息数据，该地理信息数据可以包括上述地形数据以及地貌数据等，而后服务器可以根据上述地理信息数据，对生成模型输出的超分辨率地磁图进行调整，得到调整后地磁图数据，从而进一步提高地磁图的精度和可靠性。并根据调整后地图数据执行任务。该任务可以包括针对驾驶设备的地磁图导航任务。

在本说明书中，服务器可以通过迁移学习或增量学习的模型训练方式，适应不同地区、时间的地磁场变化，以提高地磁图生成的实用性。

其中，迁移学习允许将从一个任务中学习到的知识应用到另一个任务中。不同地区或不同时间段的地磁场数据可能具有一些共享的地磁场特征或规律，例如地磁场的基本物理特性和变化规律。如果已经有一个在某个地区或某个时间段内训练过的模型，服务器可以使用迁移学习将这个模型的知识应用到新的地区或时间段的地磁场数据上，而不需要从头开始训练一个全新的模型。这样可以大大节省训练时间。

增量学习允许模型在新的数据上进行训练，同时保留之前的知识。当有新的地磁场数据（例如，来自相同地区不同时间的数据）可用时，我们可以使用这些新数据来更新和优化我们的模型，而不会忘记之前的训练结果。这种方法可以使模型更好地适应地磁场的变化，从而提高地磁图的生成质量。

从上述方法可以看出，本方案在对生成模型进行训练的过程中，可以利用生成网络与判别网络之间的对抗关系，使生成网络所生成的超分辨率地磁图随着模型训练逐渐接近真实的目标地磁图，而判别网络随着模型的训练能够更准确的对超分辨率地磁图与目标地磁图进行区分，随着判别网络判别精准度的提高，生成网络生成的超分辨率地磁图的精度以及真实性也得到提升，从而骗过判别网络，在保证实际地磁分布情况的前提下准确的对地磁图的精度进行提升，进一步保证地磁导航的准确性。

以上为本说明书的一个或多个实施模型训练的方法，基于同样的思路，本说明书还提供了相应的模型训练装置，如图4所示。

图4为本说明书提供的一种模型训练装置的示意图，包括：

获取模块401，用于获取指定区域的初始地磁图；

测量模块402，用于通过预设矢量磁强计，测量所述指定区域的磁场数据，并基于所述磁场数据生成目标地磁图，所述目标地磁图的分辨率高于所述初始地磁图的分辨率；

生成模块403，用于将所述初始地磁图作为训练样本输入待训练生成模型中的生成网络，以通过所述生成网络生成所述指定区域的超分辨率地磁图；

判别模块404，用于将所述超分辨率地磁图以及所述目标地磁图输入所述生成模型中的判别网络，以通过所述判别网络确定所述超分辨率地磁图为所述目标地磁图的概率；

训练模块405，用于以最小化所述超分辨率地磁图与所述目标地磁图之间的偏差，以及，最小化将所述超分辨率地磁图判别为所述目标地磁图的概率为优化目标，对所述生成模型进行训练。

可选地，所述获取模块401具体用于，获取所述指定区域对应的地磁场模型；基于所述地磁场模型，计算所述指定区域对应的磁场数据；根据计算出的磁场数据构建所述初始地磁图。

可选地，所述训练模块405具体用于，以最小化所述超分辨率地磁图与所述目标地磁图之间的偏差为优化目标，对所述生成网络进行训练，以及，以最小化将所述超分辨率地磁图判别为所述目标地磁图的概率为优化目标，对所述判别网络进行训练。

本说明书还提供了相应的地磁图优化装置，如图5所示。

图5为本说明书提供的一种地磁图优化装置的示意图，包括：

获取模块501，用于获取目标区域的初始地磁图；

优化模块502，用于将所述初始地磁图输入预先训练的生成模型，以通过所述生成模型对所述初始地磁图进行优化，生成所述目标区域对应的超分辨率地磁图，其中，所述超分辨率地磁图的分辨率高于所述初始地磁图的分辨率，所述生成模型通过上述方法训练得到。

可选地，所述优化模块502还用于，获取所述目标区域的地理信息数据；

根据所述地理信息数据，对所述超分辨率地磁图进行调整，得到调整后地磁图数据；根据所述调整后地磁图数据执行任务。

可选地，所述地理信息数据包括：所述目标区域的地形数据以及地貌数据中的至少一种。

可选地，获取目标区域的初始地磁图之前，所述装置还包括：

部署模块503，用于将训练完成后的所述生成模型进行部署，并将所述生成模型中的判别网络进行删除。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1或图3提供的一种模型训练和地磁图优化方法。

本说明书还提供了图6所示的一种对应于图1或图2的电子设备的示意结构图。如图6所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1或图2所述的模型训练和地磁图优化方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（ProgrammableLogic Device, PLD）（例如现场可编程门阵列（Field Programmable Gate Array，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（HardwareDescription Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（AdvancedBoolean Expression Language）、AHDL（Altera Hardware Description Language）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（JavaHardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（Ruby HardwareDescription Language）等，目前最普遍使用的是VHDL（Very-High-Speed IntegratedCircuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种模型训练的方法，其特征在于，包括：

获取指定区域的初始地磁图；

通过预设矢量磁强计，测量所述指定区域的磁场数据，并基于所述磁场数据生成目标地磁图，所述目标地磁图的分辨率高于所述初始地磁图的分辨率；

将所述初始地磁图作为训练样本输入待训练生成模型中的生成网络，以通过所述生成网络生成所述指定区域的超分辨率地磁图；

将所述超分辨率地磁图以及所述目标地磁图输入所述生成模型中的判别网络，以通过所述判别网络确定将所述超分辨率地磁图判别为所述目标地磁图的概率；

以最小化所述超分辨率地磁图与所述目标地磁图之间的偏差，以及，最小化将所述超分辨率地磁图判别为所述目标地磁图的概率为优化目标，对所述生成模型进行训练。

2.如权利要求1所述的方法，其特征在于，获取指定区域的初始地磁图，具体包括：

获取所述指定区域对应的地磁场模型；

基于所述地磁场模型，计算所述指定区域对应的磁场数据；

根据计算出的磁场数据构建所述初始地磁图。

3.如权利要求1所述的方法，其特征在于，以最小化所述超分辨率地磁图与所述目标地磁图之间的偏差，以及，最小化将所述超分辨率地磁图判别为所述目标地磁图的概率为优化目标，对所述生成模型进行训练，具体包括：

以最小化所述超分辨率地磁图与所述目标地磁图之间的偏差为优化目标，对所述生成网络进行训练，以及，以最小化将所述超分辨率地磁图判别为所述目标地磁图的概率为优化目标，对所述判别网络进行训练。

4.一种地磁图优化方法，其特征在于，包括：

获取目标区域的初始地磁图；

将所述初始地磁图输入预先训练的生成模型，以通过所述生成模型对所述初始地磁图进行优化，生成所述目标区域对应的超分辨率地磁图，其中，所述超分辨率地磁图的分辨率高于所述初始地磁图的分辨率，所述生成模型通过上述权利要求1~3任一项所述的方法训练得到。

5.如权利要求4所述的方法，其特征在于，所述方法还包括：

获取所述目标区域的地理信息数据；

根据所述地理信息数据，对所述超分辨率地磁图进行调整，得到调整后地磁图数据；

根据所述调整后地磁图数据执行任务。

6.如权利要求5所述的方法，其特征在于，所述地理信息数据包括：所述目标区域的地形数据以及地貌数据中的至少一种。

7.如权利要求4所述的方法，其特征在于，获取目标区域的初始地磁图之前，所述方法还包括：

将训练完成后的所述生成模型进行部署，并将所述生成模型中的判别网络进行删除。

8.一种模型训练装置，其特征在于，包括：

获取模块，获取指定区域的初始地磁图；

测量模块，通过预设矢量磁强计，测量所述指定区域的磁场数据，并基于所述磁场数据生成目标地磁图，所述目标地磁图的分辨率高于所述初始地磁图的分辨率；

生成模块，将所述初始地磁图作为训练样本输入待训练生成模型中的生成网络，以通过所述生成网络生成所述指定区域的超分辨率地磁图；

判别模块，将所述超分辨率地磁图以及所述目标地磁图输入所述生成模型中的判别网络，以通过所述判别网络确定所述超分辨率地磁图为所述目标地磁图的概率；

训练模块，以最小化所述超分辨率地磁图与所述目标地磁图之间的偏差，以及，最小化将所述超分辨率地磁图判别为所述目标地磁图的概率为优化目标，对所述生成模型进行训练。

9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。