[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

本發明公開了一種基于深度進化剪枝卷積網的遙感圖像目標檢測方法，解決現有遙感圖像目標檢測中未對檢測速度及檢測精度同時全局有效優化的問題。具體步驟：處理數據集；構建深度卷積特征提取子網；構建全卷積FCN檢測子網；構建并訓練深度卷積目標檢測網絡；構建并訓練基于深度進化剪枝卷積網的目標檢測網絡；用訓練好的模型對測試數據集進行目標檢測；輸出測試結果。本發明用深度可分離卷積構造反殘差結構，在高檢測精度的同時大幅降低模型參數量；目標檢測網絡與進化剪枝相結合，實現全局加速。本發明大幅降低計算量、顯著提高目標檢測速度，檢測精度高，用于對遙感圖像中的飛機與艦船等小目標進行快速、準確檢測。

技術領域

本發明屬于圖像處理技術領域，更進一步涉及遙感圖像目標檢測，具體是一種基于深度進化剪枝卷積網的遙感圖像目標檢測方法，可應用于對遙感圖像中不同區域內的飛機與艦船的地物目標進行檢測。

背景技術

目標檢測技術是計算機視覺領域的核心問題之一，遙感圖像目標檢測是指使用遙感衛星捕捉到的影像為數據源，采用圖像處理技術對影像中感興趣的目標進行定位和分類。遙感圖像目標檢測作為遙感圖像應用中的關鍵技術，可以在高科技軍事對抗中，捕捉攻擊目標，提供精確的位置與類別信息等，對軍事領域有著重大的影響，具有重要的應用及研究價值。

現有技術中由于遙感圖像尺寸大、分辨率低、目標尺寸小且目標邊緣模糊，導致現有的方法在進行遙感圖像目標檢測時常常無法較好地學習到目標的特征，進而導致目標檢測的準確率低，并且由于遙感圖像的龐大數據量及網絡模型存在的巨大參數量，檢測速度極大受限。

現有目標檢測技術的效率和準確率往往不可兼得。二階檢測模型如FasterR-CNN有著很高的準確性，同時也帶來了巨大的計算量；一階檢測模型如YOLO和SSD雖然計算速度較快，但是準確率不盡人意。

Tsung-Yi Lin等人在其發表的論文“Focal Loss for Dense Object Detection”(CVPR2017)中提出了一種通用一階段目標檢測模型RetinaNet，該模型利用殘差網絡ResNet來完成對圖像特征的初步提取，加入特征金字塔網絡FPN將殘差網絡產生的不同層的特征圖進行融合，增強輸出特征的語義信息，使小目標易于識別，進而提高檢測性能，之后在每一層金字塔層進行分類及回歸預測，最后利用Focal Loss函數解決影響一階段目標檢測模型準確率的由于過量background而引起的類別不平衡問題，使一階段目標檢測模型在COCO數據集上的檢測結果首次高于當時最先進的二階段目標檢測模型。但是，該方法仍然存在的不足之處是，殘差網絡ResNet與特征金字塔網絡FPN中存在大量冗余信息，參數量和運算量較大，影響模型計算復雜度和計算速度，且不滿足在嵌入式設備部署的需求。

Shaohui Lin等人在其發表的論文“Accelerating Convolutional Networks viaGlobalDynamic Filter Pruning”(IJCAI2018)中提出了一種全局動態的剪枝方法GDP，首先提出基于每個濾波器先驗知識的全局判別函數，在全局范圍內剪枝所有層次上的顯著性低的濾波器，然后，動態更新整個剪枝稀疏網絡濾波器的顯著性，對錯誤剪枝的濾波器進行重新編碼并進行再訓練，以提高模型的精度，使用基于貪心算法的隨機梯度下降法進行全局優化。但是，該方法仍然存在的不足之處是，基于濾波器先驗知識的全局判別函數需要根據具體任務進行設計，在不同的應用中使用相同的全局判別函數可能會引入判別偏差，導致整體精度有所損失。

目前目標檢測算法在大尺寸、低分辨率的光學遙感圖像進行目標檢測時，由于受到巨大數據量和模型參數量的限制，且存在目標尺寸小、目標邊緣模糊等問題，導致現有技術的檢測準確率和檢測速度無法同時達到最優，難以對光學遙感圖像進行既快速又準確的檢測。

發明內容

本發明的目的是針對現有技術存在的不足和缺陷，提出一種維持較高準確率的同時計算復雜度大幅減小、網絡整體運算速度大幅提高的基于深度進化剪枝卷積網的遙感圖像目標檢測方法。