[發明專利]一種基于隨機接入記憶的遙感圖像目標檢測方法

有效

• 申請號: 201911333708.8
• 申請日: 2019-12-23
• 公開（公告）號: CN111192240B
• 公開（公告）日: 2023-09-01
• 發明（設計）人: 史振威;陳科研;鄒征夏;馬小鋒;趙睿;王曉雯;張寧;韓傳釗;章泉源;朱新忠;張瑞玨
• 申請（專利權）人: 北京航空航天大學;上海航天電子通訊設備研究所
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/0464;G06N3/08
• 代理公司: 北京慧泉知識產權代理有限公司 11232
• 代理人: 李娜;王順榮

1.一種基于隨機接入記憶的遙感圖像目標檢測方法，其特征在于：該檢測方法通過卷積神經網絡實現，分為網絡檢測部分和預測部分，在預測階段通過最大后驗分布來動態更新模型參數；該方法的具體步驟如下：

步驟一：計算機讀取數據；首先讀取遙感圖像數據；讀入數據后，將圖片進行數據增廣和零均值處理；

步驟二：構造基于融合特征金字塔的卷積神經網絡；

基于SSD的網絡原型，采用基于特征金字塔的檢測方式；移除池化層，使用小卷積和帶洞卷積核來提高遙感圖像中小目標的召回率；增加可學習的反卷積特征融合層來提高目標檢測的精度；設計適應目標尺度的檢測先驗框來提高先驗框的利用率和擬合效果；

具體表達如下：

式中表示第i個預設框與第j個參考框匹配上且存在目標的類別為p則為1，否則為0，c為多類別的置信度，l為預測框，g為參考框，N為匹配成功的預設框數目，m用于調整類別預測損失和邊框回歸損失之間的比例，默認設置為1，L_cls(x，c)是類別預測損失，L_loc(x，l，g)是邊框回歸損失；

對于類別預測損失L_cls(x，c)的計算采用Softmax：

式中表示第i個預測框與第j個參考框關于類別p匹配，則預測為類別p的概率越高，損失越小，表示預測框中沒有目標，則預測為背景的概率越高，損失越小，通過Softmax產生概率；

對于邊框回歸損失L_loc(x，k，g)的計算采用smooth_L1：

步驟三：訓練卷積神經網絡；如步驟二構造好網絡后，在Tensorflow深度學習框架下，利用帶標簽的訓練數據對網絡進行訓練，直至網絡達到最優，并記錄此時的網絡參數；在訓練過程中，利用ImageNet預訓練的模型對網絡的特征提取器VGG進行參數初始化；使用樣本均衡化處理；

步驟四：提出隨機接入記憶思想；利用訓練數據通過神經網絡的訓練過程得到一個先驗的模型參數分布，然后在檢測階段通過檢測數據來修正這個先驗分布，得到更適應檢測數據的后驗參數分布模型；在模型參數更新時通過最大化后驗分布、費希爾信息和拉普拉斯近似來指導參數調整；通過該方式建立檢測網絡；其具體的公式表達為：

其中，D_t表示測試樣本數據空間，θ為訓練完成后得到的模型參數，w為模型的最后一層參數，為模型的最后一層的最似然參數，設λ＞0，λ是在費希爾信息指導下的正則化項，f(X_t|θ)為測試樣本網絡前饋的輸出；

步驟五：遙感圖像目標檢測；利用步驟三訓練好的網絡模型和步驟四建立的檢測網絡對檢測數據進行目標檢測，輸出檢測目標的類別信息和位置信息；

步驟四所述的在模型參數更新時通過最大化后驗分布，利用訓練數據通過神經網絡的訓練過程得到一個先驗的模型參數分布，然后在檢測階段通過檢測數據來修正這個先驗分布，得到更適應檢測數據的后驗參數分布模型；在訓練階段假設訓練集數據服從獨立同分布原理，在訓練階段當成一個極大似然估計的過程；設模型是確定已知的，模型的參數是未知的，由某種方法通過訓練數據集D_s的數據估計假設模型的參數，選擇參數解來使得在該參數下模型產生D_s是最似然的；設訓練域數據為模型為最大似然估計是：

如果訓練域樣本獨立同分布，則有：

其中表示源訓練數據域的數據標簽，表示源訓練數據域的樣本數據或特征，指深度網絡學習到的最優模型參數；引入費希爾信息，費希爾信息的值越大，表示信息量越豐富，越有利于估計；費希爾信息表示為I(θ)：

在最大似然解附近將似然函數二階泰勒展開；設X～N(μ，σ²)，則其具體表達為：

在最大似然解處把對數似然函數二階泰勒展開結合上式得出：

在模型參數更新時通過最大化后驗分布的原理，其公式表達如下：

只對最后一個卷積層參數進行自適應調整，其他網絡層的參數固定不變，在該場景下轉化為數學優化問題：

其中w為最后一層參數，設λ＞0，λ是在費希爾信息指導下的正則化項，f(X_t|θ)為測試樣本網絡前饋的輸出；結合步驟二中的內容，得到下式對參數進行更新：

上式中(π，w)為最后一個卷積層的輸入特征和卷積核的參數，該問題是一個凸優化問題，通過Python中的CVXOPT包對其進行求解。