[發(fā)明專利]一種基于權(quán)重字典學習的小樣本遙感目標檢測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010576615.4
• 申請日: 2020-06-22
• 公開（公告）號: CN111860178B
• 公開（公告）日: 2021-03-23
• 發(fā)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(quán)）人: 中國科學院空天信息創(chuàng)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(chǎn)權(quán)代理有限公司 11271
• 代理人: 徐國文

本發(fā)明公開了一種基于權(quán)重字典學習的小樣本遙感目標檢測方法及系統(tǒng)，所述方法獲取待分類的遙感圖像數(shù)據(jù)，將數(shù)據(jù)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，所述目標檢測模型利用小樣本數(shù)據(jù)基于權(quán)重字典學習訓練得到。所述方法采用權(quán)重字典學習的方式構(gòu)建了輕量化的小樣本遙感目標檢測模型，可有效降低可學習參數(shù)數(shù)量，防止模型在小數(shù)據(jù)下訓練時產(chǎn)生過擬合，提高了模型的小樣本學習性能；又能很好的保留模型在源域上學習到的知識，避免了災難性遺忘的問題。本發(fā)明提出的基于權(quán)重字典的遙感目標檢測方法具有很好的通用性，可被用于改進其他的基于深度學習的遙感目標檢測模型，提高它們的小樣本學習能力。

技術(shù)領(lǐng)域

本發(fā)明涉及遙感圖像目標檢測，具體涉及一種基于權(quán)重字典學習的小樣本遙感目標檢測方法及系統(tǒng)。

背景技術(shù)

自動化遙感圖像目標檢測技術(shù)可以自動地定位、識別靜態(tài)遙感圖像中的感興趣目標。基于深度學習的遙感圖像目標檢測方法取得了飛速地發(fā)展，但是，這類基于深度學習的遙感圖像目標檢測方法仍存在一定的局限性。

基于深度學習的遙感圖像目標檢測模型依賴大量的訓練樣本。這些模型只有在大量的訓練樣本上經(jīng)過數(shù)萬次甚至更多的訓練迭代才能取得很好的性能，而當訓練樣本不足時，這些模型很容易發(fā)生過擬合，在測試數(shù)據(jù)上的性能會變差。況且，收集大量的訓練樣本，并對這些樣本進行標注，非常地費時費力，而且一些目標，如新型號的飛機，可能沒有足夠的樣本來構(gòu)建數(shù)據(jù)集，這就使得基于深度學習的遙感圖像目標檢測方法難以應用于這些樣本不足的目標。此外，現(xiàn)實中的視覺概念往往服從長尾分布，即人們普遍關(guān)注的視覺概念樣本是比較重組的，凡是新興的視覺概念在不斷地增加，這些新興視覺概念的樣本往往很少，因此基于深度學習的目標檢測方法也很難應用于這些新興視覺概念。

基于深度學習的遙感圖像目標檢測模型的任務擴展性很差。這些模型是在含有一組固定目標類別的訓練集上訓練的，將模型部署到應用環(huán)境中以后，模型無法檢測在訓練集中沒有出現(xiàn)過的新的目標類別。為了讓模型能對新的目標類別進行有效地檢測，需要采集這些新類別的樣本，然后進行樣本標注，將這些訓練數(shù)據(jù)加入原數(shù)據(jù)集中，對模型進行重新訓練或微調(diào)模型的部分參數(shù)。但是上述過程是非常的費時費力的，而且新的目標類別樣本數(shù)量不一定充足，這就使得基于深度學習的遙感目標檢測模型很難有效擴展到對新類別目標的檢測任務中。

發(fā)明內(nèi)容

為了解決基于深度學習的遙感目標檢測模型依賴大量訓練數(shù)據(jù)以及對新任務擴展性差的問題，本發(fā)明提供一種基于權(quán)重字典學習的小樣本遙感目標檢測方法，包括：

獲取待分類的遙感圖像數(shù)據(jù)；

將所述數(shù)據(jù)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(shù)據(jù)基于權(quán)重字典學習訓練得到。

優(yōu)選的，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(shù)據(jù)構(gòu)建目標檢測數(shù)據(jù)集；

將所述遙感圖像目標檢測數(shù)據(jù)集劃分為源類數(shù)據(jù)集與目標類數(shù)據(jù)集；

利用所述源數(shù)據(jù)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模型的卷積層參數(shù)構(gòu)建參數(shù)字典，為參數(shù)字典中的每個參數(shù)設置一個對應的字典系數(shù)，基于所述參數(shù)字典與對應的字典系數(shù)構(gòu)建基于權(quán)重字典的目標檢測模型；

利用所述目標類數(shù)據(jù)集對所述基于權(quán)重字典的目標檢測模型進行訓練，得到最優(yōu)的目標檢測模型；

優(yōu)選的，所述將所述遙感圖像目標檢測數(shù)據(jù)集劃分為源類數(shù)據(jù)集與目標類數(shù)據(jù)集，包括：

將遙感圖像目標檢測數(shù)據(jù)集中的目標類別劃分為源類與目標類；

將同時包含源類和目標類的目標的遙感圖像從數(shù)據(jù)集中丟棄；