[發(fā)明專利]一種基于混合空洞卷積的弱監(jiān)督遙感目標檢測方法

在審

• 申請?zhí)枺?/td>: 202011068687.4
• 申請日: 2020-09-29
• 公開（公告）號: CN112183414A
• 公開（公告）日: 2021-01-05
• 發(fā)明（設計）人: 陳蘇婷;邵東威;張闖
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 南京經(jīng)緯專利商標代理有限公司 32200
• 代理人: 羅運紅

1.一種基于混合空洞卷積的弱監(jiān)督遙感目標檢測方法，其特征在于，該方法包括如下步驟：

(1)獲取待檢測的遙感圖像數(shù)據(jù)集，按比例將數(shù)據(jù)集劃分為訓練集、驗證集和測試集；

(2)利用混合空洞卷積構造無損殘差網(wǎng)絡，并使用其對遙感圖像中的目標物體進行多尺度特征的提取，即低級視覺特征和高級語義特征；

(3)將步驟(2)中提取的特征送入通道注意力模塊，強化對目標檢測任務有效的關鍵特征信息，并抑制無效的特征信息；

(4)將步驟(3)中強化后的特征送入級聯(lián)多層池化模塊進行特征融合，實現(xiàn)低級視覺特征與高級語義特征的進一步融合，融合后的特征作為特征提取網(wǎng)絡的最終輸出；

(5)將步驟(4)得到的最終特征送入?yún)f(xié)同檢測模塊，該模塊具有多實例學習分支和檢測框回歸分支兩個分支，其中，弱監(jiān)督檢測網(wǎng)絡WSDDN作為多實例學習分支來生成偽標簽信息，強監(jiān)督檢測網(wǎng)絡Fast R-CNN作為檢測框回歸分支來實現(xiàn)更準確的目標定位，圖中目標的檢測類別概率及其檢測框共同作為該模塊的檢測結果；

(6)根據(jù)步驟(5)的檢測結果計算兩個分支訓練的一致性誤差，通過梯度下降算法同時更新兩者的權重參數(shù)，進行協(xié)同訓練，并通過驗證集測試檢測精度，不斷調(diào)整網(wǎng)絡模型，直到精度滿足預期；

(7)將訓練完成的網(wǎng)絡模型作為檢測器，將測試集的特征輸入檢測器中進行檢測，得到檢測結果即為遙感圖像中該類目標物體的概率及其檢測框。

2.根據(jù)權利要求1所述的一種基于混合空洞卷積的弱監(jiān)督遙感目標檢測方法，其特征在于，在步驟(2)中，利用混合空洞卷積構造無損殘差網(wǎng)絡，并對遙感圖像中目標進行無損的多尺度特征提取，方法如下：

(2.1)以ResNet-101為基礎模型，在原始殘差塊中的標準3x3卷積后插入2個擴張率分別為2和5的3×3空洞卷積，形成一個擴張率為1，2，5的連續(xù)空洞卷積組合，從而構建了一個新的殘差塊，即無損殘差塊；在無損殘差塊中添加了密集連接，即將每個空洞卷積層的輸出與輸入特征連接，然后被輸入下一個空洞卷積層中，進而共享和重用有利于目標定位的底層特征；

(2.2)保留ResNet-101的前三個階段，然后在第4和第5個階段分別堆疊23個和3個無損殘差塊，取代原來網(wǎng)絡中的第4和第5個階段；

(2.3)第4和第5個階段保持與第3個階段相同的輸入通道數(shù)，即256個卷積核，并且移除下采樣操作，使得輸出特征圖的分辨率保持在原始圖像的1/8。

3.根據(jù)權利要求2所述的一種基于混合空洞卷積的弱監(jiān)督遙感目標檢測方法，其特征在于，在步驟(3)中，提將步驟(2)中提取的特征送入通道注意力模塊，強化對目標檢測任務有效的關鍵特征信息，并抑制無效的特征信息，具體方法如下：

(3.1)對于步驟(2.3)中第5個階段提取的特征該模塊利用C+1個卷積核對其進行一次卷積操作，得到C+1張?zhí)卣鲌D此處的H、W和C分別代表特征圖的高度、寬度和通道數(shù)；

(3.2)將步驟(3.1)中得到的特征在通道維度上進行分解，分別得到C張?zhí)卣鲌D和1張單通道特征圖并對f₂進行Sigmoid激活運算，得到1張通道注意力矩陣能夠自動反映每個特征通道的重要程，即權重值；

(3.3)將通道注意力矩陣M和特征圖f₁分別進行逐元素相乘，即將每一個像素點與其在注意力矩陣中所對應的權重相乘，最終得到輸出特征整個模塊的數(shù)學表達式為其中，代表逐元素相乘，σ(*)代表Sigmoid激活函數(shù)。