[發明專利]一種基于權重字典學習的小樣本遙感目標檢測方法及系統

有效

• 申請號: 202010576615.4
• 申請日: 2020-06-22
• 公開（公告）號: CN111860178B
• 公開（公告）日: 2021-03-23
• 發明（設計）人: 陳凱強;張躍;許光鑾;張騰飛;戴威;王雅珊;周琳
• 申請（專利權）人: 中國科學院空天信息創新研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京安博達知識產權代理有限公司 11271
• 代理人: 徐國文

1.一種基于權重字典學習的小樣本遙感目標檢測方法，其特征在于，包括：

獲取待分類的遙感圖像數據；

將所述數據帶入預先訓練的目標檢測模型中得到所述遙感圖像對應的目標類別；

其中，所述目標檢測模型利用小樣本數據基于權重字典學習訓練得到；

所述目標檢測模型的訓練包括：

基于帶有目標類別的歷史遙感圖像數據構建目標檢測數據集；

將所述遙感圖像目標檢測數據集劃分為源數據集與目標數據集；

利用所述源數據集進行訓練得到單階段目標檢測模型，并基于所述單階段目標檢測模型的卷積層參數構建參數字典，為參數字典中的每個參數設置一個對應的字典系數，基于所述參數字典與對應的字典系數構建基于權重字典的目標檢測模型；

利用所述目標數據集對所述基于權重字典的目標檢測模型進行訓練，得到最優的目標檢測模型。

2.如權利要求1所述的目標檢測方法，其特征在于，所述將所述遙感圖像目標檢測數據集劃分為源數據集與目標數據集，包括：

將遙感圖像目標檢測數據集中的目標類別劃分為源類目標與目標類目標；

將同時包含源類目標和目標類目標的遙感圖像從數據集中丟棄；

對數據集中剩余的遙感圖像，將僅包含源類目標的圖像劃分為源數據集，將僅包含目標類目標的圖像劃分為目標數據集。

3.如權利要求1所述的目標檢測方法，其特征在于，所述利用所述源數據集進行訓練得到單階段目標檢測模型，并基于所述單階段目標檢測模型的卷積層參數構建參數字典，為參數字典中的每個參數設置一個對應的字典系數，基于所述參數字典與對應的字典系數構建基于權重字典的目標檢測模型，包括：

將所述源數據集劃分為訓練集和測試集；

利用所述訓練集中的樣本對單階段目標檢測模型D_s進行訓練，并利用測試集中的樣本進行測試，直至在測試集所有的樣本上達到最好的測試性能；

然后以所述單階段目標檢測模型D_s除最后用于確定目標類別和位置的層外的所有卷積層參數φ作為參數字典；

對參數字典φ中的每個字典參數設置一個對應的字典系數w；其中字典系數的初值隨機確定；

使用由所有卷積層參數φ構成的參數字典與對應的字典系數w構建一個基于字典的目標檢測模型D_d；

其中，所述參數字典φ是固定的，字典系數w和目標檢測模型D_d確定的分類、回歸層參數θ可以被修改，且字典系數w的參數量遠小于參數字典的參數量。

4.如權利要求3所述的目標檢測方法，其特征在于，所述參數字典φ中的參數由所有的卷積層的參數構成；

參數字典φ中每個卷積層的參數是形狀為C×N×k×k的張量。

5.如權利要求4所述的目標檢測方法，其特征在于，所述使用由所有卷積層參數φ構成的參數字典與對應的字典系數w構建一個基于字典的目標檢測模型D_d，包括：

以參數字典φ中一個形狀為C×N×k×k的初始卷積層Conv_s為字典；

將初始卷積層Conv_s分解為C個形狀為N×k×k的子張量；

對初始卷積層Conv_s中所有子張量進行線性組合構成目標卷積層中的每個子張量T_d，以每個子張量為卷積核，并為每個卷積核建立字典系數；

基于子張量T_d和對應的字典系數構建目標卷積層Conv_d，其中，目標卷積層Conv_d的形狀與初始卷積層Conv_s的形狀相同；

由目標卷積層Conv_d構建目標檢測模型D_d。