[發明專利]基于深度進化剪枝卷積網的遙感圖像目標檢測方法

有效

• 申請號: 201910648586.5
• 申請日: 2019-07-18
• 公開（公告）號: CN110532859B
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 焦李成;李玲玲;姜升;郭雨薇;程曦娜;丁靜怡;張夢璇;楊淑媛;侯彪
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 程曉霞;王品華

1.一種基于深度進化剪枝卷積網的遙感圖像目標檢測方法，其特征在于，包括如下步驟：

(1)處理訓練數據集及驗證數據集：選取多幅包含多種目標的光學遙感圖像，將圖像切割處理為512×512像素的圖像塊，其中光學遙感圖像70％的圖像塊組成訓練數據，30％組成驗證數據集，并對訓練數據集進行數據增強；

(2)處理測試數據集：輸入另外多幅包含多種目標的光學遙感圖像，將圖像切割處理為512×512像素的圖像塊組成測試數據集；

(3)構建深度卷積特征提取子網絡：分別構建深度可分離卷積反殘差連接模塊和特征金字塔卷積模塊，依次使用7×7卷積層、最大池化層，將深度可分離卷積反殘差連接模塊與特征金字塔卷積模塊交替連接，構成深度卷積特征提取子網絡；

深度卷積特征提取子網絡具體結構為，原始圖像輸入層→7×7卷積層→第一個最大池化層→第一個深度可分離卷積反殘差連接模塊C1→第二個深度可分離卷積反殘差連接模塊C2→第一個特征金字塔卷積模塊P1→第三個深度可分離卷積反殘差連接模塊C3→第二個特征金字塔卷積模塊P2→第四個深度可分離卷積反殘差連接模塊C4→第三個特征金字塔卷積模塊P3→第二個最大池化層→第四個特征金字塔卷積模塊P4→第三個最大池化層→第五個特征金字塔卷積模塊P5→當前階段特征圖輸出層；

(4)構建全卷積FCN檢測子網絡：

(4a)構建全卷積FCN分類子網：其結構為，分類子網輸入層→第一個3×3卷積層→第二個3×3卷積層→第三個3×3卷積層→第四個3×3卷積層→第五個3×3卷積層→分類子網輸出層；分類子網輸入層是將每一個特征金字塔卷積模塊的特征圖輪流作為分類子網的輸入，依次進行分類檢測；

(4b)構建全卷積FCN回歸子網：其結構為，回歸子網輸入層→第一個3×3卷積層→第二個3×3卷積層→第三個3×3卷積層→第四個3×3卷積層→第五個3×3卷積層→回歸子網輸出層；回歸子網輸入層是將每一個特征金字塔卷積模塊的特征圖輪流作為回歸子網的輸入，依次進行回歸檢測；

(5)構建并訓練深度卷積目標檢測網絡：

(5a)構建深度卷積目標檢測網絡：使用深度卷積特征提取子網絡、全卷積FCN分類子網、全卷積FCN回歸子網依次搭建構成深度卷積目標檢測網絡，其結構為，原始圖像輸入層→深度卷積特征提取子網絡→全卷積FCN分類回歸子網絡；

(5b)訓練深度卷積目標檢測網絡：使用訓練數據集及驗證數據集作為輸入對深度卷積目標檢測網絡進行訓練，得到訓練好的深度卷積目標檢測網絡，保存訓練后的深度卷積目標檢測網絡的權重文件；

(6)構建并訓練基于深度進化剪枝卷積網的目標檢測網絡：

(6a)對訓練好的深度卷積目標檢測網絡中參與剪枝的卷積濾波器進行逐層DNA編碼，編碼記為DNA_1,...l-1,l；

(6b)使用進化算法優化DNA_1,...l-1,l編碼，得到最終的優化結果編碼DNA′_1,...l-1,l；

(6c)結合優化結果編碼DNA′_1,...l-1,l及剪枝規則構建基于深度進化剪枝卷積網的目標檢測網絡，剪枝規則為編碼為0表示此卷積濾波器最終被剪枝，編碼為1表示此卷積濾波器最終被保留，使用訓練數據集進行微調，得到訓練好的基于深度進化剪枝卷積網的目標檢測網絡，即訓練好的模型，保存訓練好的模型權重文件；

(7)利用訓練好的模型對測試數據集進行目標檢測：

(7a)將測試數據集中的數據塊依次輸入到訓練好的基于深度進化剪枝卷積網的目標檢測網絡中，得到測試數據集中每個數據塊的候選框、候選框對應的分類置信度得分及候選框對應的目標類別；

(7b)丟棄所有分類置信度得分低于閾值0.3的目標類別的候選框，對保留后的其余候選框，進行非極大值抑制處理；

(7c)對所有保留的候選框的坐標進行映射，映射到切割前的光學遙感圖像上，并進行二次非極大值抑制處理，得到最終光學遙感圖像的檢測結果圖。