[發明專利]基于難樣本挖掘的機場檢測方法

有效

• 申請號: 201710314261.4
• 申請日: 2017-05-06
• 公開（公告）號: CN107665351B
• 公開（公告）日: 2022-07-26
• 發明（設計）人: 張浩鵬;姜志國;蔡博文;趙丹培;謝鳳英;史振威;尹繼豪;羅曉燕
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/771;G06K9/62;G06V10/46;G06N3/04
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 王鵬

1.一種基于難樣本挖掘的機場檢測方法，其特征在于，所述方法包括以下步驟：

將光學遙感圖像與對應標注真值作為所述光學遙感圖像的訓練數據；

候選區域提取網絡的訓練；

區域分類網絡的訓練；

候選區域提取與區域分類網絡的耦合訓練，包括：根據所述區域分類網絡中前五層卷積層參數初始化所述候選區域網絡中對應的前五層卷積層，實現所述候選區域提取與所述區域分類網絡的共享與耦合；

固定共享的卷積層權重參數；

對所述候選區域提取網絡中除共享的卷積層以外特有的卷積層權重參數進行微調；

根據微調后的所述候選區域提取網絡生成不同的候選區域，再將生成的候選區域與候選區域的標注真值輸入到所述區域分類網絡中，對所述區域分類網絡中除共享的卷積層以外特有的全連接層權重參數進行微調；

基于難樣本挖掘的端到端深度卷積網絡的微調，根據再次微調后的所述區域提取網絡得到的候選區域與候選區域的標注真值作為訓練數據，對區域分類網絡中的全連接層權重參數進行微調；對候選區域正確分類的難易程度進行評分，計算各候選區域的損失函數，根據損失值最大的候選區域建立難樣本集，再次微調所述區域分類網絡；

端到端深度卷積神經網絡的機場檢測。

2.根據權利要求1所述的基于難樣本挖掘的機場檢測方法，其特征在于，所述將光學遙感圖像與對應標注真值作為所述光學遙感圖像的訓練數據的步驟具體包括：

對全幅面光學遙感圖像進行圖像標注，獲取全幅面光學遙感圖像中標注真值；

在標注的全幅面光學遙感圖中以250個像素為步長，滑動提取固定窗口大小的圖像數據，垂直、水平方向滑動次數分別記為row與col；根據全幅面光學遙感圖像標注真值，記錄滑動窗口截取到的機場區域圖像數據的真值框坐標；

滑動窗口中真值框坐標與所述全幅面光學遙感圖像中標注真值的關系表達式為：

(x′_k,y′_k)＝(x_k-col×250,y_k-row×250)，

其中，(x_k,y_k)與(x′_k,y′_k)分別是所述全幅面光學遙感圖像標注真值坐標與所述滑動窗口中真值框坐標，且k∈{1,2}分別表示坐標左上、右下角點。

3.根據權利要求1所述的基于難樣本挖掘的機場檢測方法，其特征在于，所述候選區域提取網絡的訓練步驟具體包括：

根據零均值標準差為0.01的高斯分布隨機生成所述候選區域提取網絡中各卷積層的權重參數；

對訓練數據中的每幅圖像提取高層語義特征信息；

根據高層語義特征信息計算圖像中逐個候選區域的損失函數；

隨機從所有候選區域的損失函數中挑選出N_batch個進行反向傳播用于更新所述候選區域提取網絡中各卷積層的權重參數；

選取候選區域時正負樣本比例為1:1，當圖像中正樣本數目不足時，則添加負樣本作為候選區域。

4.根據權利要求1所述的基于難樣本挖掘的機場檢測方法，其特征在于，所述區域分類網絡的訓練步驟具體包括：

根據訓練好的區域提取網絡，對訓練數據中的每幅圖像提取候選區域，將提取到的候選區域的圖像數據與候選區域的標注真值作為所述區域分類網絡的訓練數據，對所述區域分類網絡進行訓練。