[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

本發明公開一種基于隨機接入記憶的遙感圖像目標檢測方法，基于SSD網絡、最大化后驗分布、費希爾信息、拉普拉斯近似等方法，具體步驟如下：一、讀入圖像數據并進行預處理；二、構造基于融合特征金字塔的卷積神經網絡；三、訓練卷積神經網絡，得到靜態模型參數；四、提出隨機接入記憶思想；五、遙感圖像目標檢測，動態更新模型參數。本發明通過提出統一框架下的遙感圖像多類目標檢測算法適應遙感圖像目標的檢測，并利用最大后驗分布提出隨機接入記憶思想來在檢測階段動態調整模型參數，使模型對新的數據有很好適應能力和泛化能力。輸入為遙感圖像，輸出為目標的類別和位置信息，自動化程度高，大幅度提高效率，降低成本。

技術領域

本發明一種基于隨機接入記憶的遙感圖像目標檢測方法，尤其涉及基于最大后驗分布MAP(Maximum?A?Posteriori)和深度學習中的SSD(Single?Shot?Multibox?Detector)網絡的一種高分辨率可見光遙感圖像目標檢測深度學習方法，屬于高分辨率遙感圖像目標檢測技術領域。

背景技術

遙感(Remote?Sensing)科學技術萌芽于17世紀的無記錄地面遙感，隨著科技的發展和時代的進步，現在已經發展為多種類型遙感器、多種搭載平臺、多種系統組成、多種應用環境的先進實用的探測技術。遙感圖像目標(例如飛機、船只、機場、油罐、港口等)的檢測識別技術作為遙感技術重要組成，其發展與遙感技術相輔相成，已經成為了遙感科學領域的研究熱點內容。在國家領域，農作物估產和種植區域統計調查、森林火災的防控、土地管理、環境保護等都離不開遙感圖像目標檢測技術的發展；在軍事領域，檢測軍用飛機、艦船、機場、港口等重要軍事目標對于了解敵方軍事情報，監視敵方軍港艦船和軍機的部署與動態，快速合理的進行信息化作戰有著舉足輕重的作用和意義；在民用領域，遙感圖像目標檢測技術在車輛檢測和城市交通智能化管理、地面導航系統、資源搜索和勘察等方面有著廣闊的應用價值和前景。

幾十年來，遙感圖像目標檢測技術主要分為兩個大類，傳統檢測方法和深度學習方法，傳統檢測方法主要是基于手工提取的特征構造分類器，而且同一特征提取方法對不同目標有不同的表達能力，所以經常需要根據目標具有的特點設計不同的特征提取方法。數據和特征限制了機器學習到達的高度和上限，而算法和模型只能夠是無限的逼近這個理想狀態，傳統多階段的目標檢測算法依賴于提取大量且有效的特征，不足以滿足海量遙感數據信息提取的需求。

隨著計算機并行計算硬件的支撐和大數據時代的來臨，基于深度學習的方法在目標檢測等計算機視覺領域得到了廣泛的應用，在檢測準確率上表現出的效果遠優于傳統方法。盡管如此，但是由于遙感圖像有別于自然圖像，遙感圖像地物復雜，覆蓋區域廣闊等使得數據在空域上分布廣泛，同時遙感圖像的生產受天氣狀況，季節變化，太陽光照角等影響，使得數據在時域上分布多樣，并且目前絕大部分遙感圖像目標檢測算法將目標檢測問題看成一個最大似然估計(Maximum?Likelihood?Estimate，MLE)的過程，得到一種靜態模型，當訓練過程結束后，模型只會前饋傳播檢測數據，并不會將產生的損失值反饋傳播以更新模型參數。在實際工程化應用時，訓練數據的獲取往往是在全數據域空間對其非均勻采樣，因為生成遙感圖像數據的時域空域更為廣闊，收集得到的訓練數據非均勻分布性更加明顯，訓練得到的參數模型并不能完全擬合到整個數據空間，所以會使深度網絡模型在實際工程化中，表現出來的檢測效果時好時壞，嚴重時模型需要重新進行訓練調整，耗時耗力，難以達到工程化應用的要求。

發明內容

本發明的目的在于提供一種基于隨機接入記憶的遙感圖像目標檢測方法，該方法是基于最大后驗分布和深度學習中的SSD網絡的一種高分辨率可見光遙感圖像目標檢測深度學習方法，該方法改進了SSD網絡并利用最大后驗分布在模型預測階段動態更新模型參數，可以使網絡更好地契合遙感圖像目標的特點，同時也可以使網絡適應新場景目標的分布，從而提升檢測效果。

本發明是通過以下技術方案實現的：