[發明專利]基于改進的交叉熵損失函數的遙感圖像目標檢測方法

有效

• 申請號: 202011462894.8
• 申請日: 2020-12-10
• 公開（公告）號: CN112528862B
• 公開（公告）日: 2023-02-10
• 發明（設計）人: 李陽陽;史雯熙;何愛媛;焦李成;尚榮華;馬文萍;李玲玲
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/25;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 陳宏社;李勇軍

本發明提出了一種基于改進的交叉熵損失函數的遙感圖像目標檢測方法，用于解決現有技術中存在的目標檢測精度較低的技術問題，實現步驟為：1)獲取訓練樣本集和測試樣本集；2)構建基于改進的交叉熵損失函數的遙感圖像目標檢測模型；3)對基于改進的交叉熵損失函數的遙感圖像目標檢測模型進行迭代訓練；4)獲取遙感圖像目標的檢測結果。本發明通過調制因子控制分類準確率低的類別中的樣本對損失函數的貢獻程度，使訓練更加關注這些樣本，有效提升了部分分類準確率較低類別的檢測精度，從而提升了整體的檢測精度。

技術領域

本發明屬于圖像處理技術領域，涉及一種遙感圖像目標檢測方法，具體涉及一種基于改進交叉熵損失函數的遙感圖像目標檢測方法，可以應用于地形勘探和視頻監控等領域。

背景技術

近年來，計算機視覺飛速發展，在地形勘探中，需要目標檢測識別出相應的地形及存在的飛機和建筑等，在視頻監控中，目標檢測可以跟蹤關注的艦船，飛機的軌跡等。

目標檢測方法是通過提取圖像中的特征在圖像中尋找目標物體進行分類并標明目標位置的過程。圖像存儲為像素點的矩陣，檢測時通過提取出和目標物體相關的信息進行檢測。目標檢測任務的重點就是提升檢測精度，檢測精度分為每一個類別目標的平均檢測精度AP和所有類別目標的平均檢測精度均值mAP，平均精度AP和平均精度均值mAP越大，表示目標檢測效果越好。其中，召回率＝檢測正確目標總數/目標總數，準確率＝檢測正確目標總數/檢測目標總數。繪制準確率-召回率曲線，曲線與召回率所在的坐標軸包圍面積表示每一類目標的平均檢測精度AP，對所有類目標的平均檢測精度求均值則得到平均檢測精度均值mAP。檢測精度受多方面因素的影響，如圖像的像素高低，特征提取的效果優劣等。目標檢測方法主要分為選定候選區域，提取特征和分類回歸。

現有的目標識別檢測算法主要分為傳統的目標檢測與識別算法與基于深度學習的目標檢測與識別算法。傳統的算法主要基于手動設計的特征，如邊緣、紋理等特征，靈活性較差，且算法復雜度很高，重復性工作量大，不能有效利用圖像的深層特征。而近期興起的基于深度學習的方法能夠有效提取圖像的深層特征，充分利用圖像的信息，大大提升了識別的準確率。深度學習方法又分為one-stage方法和two-stage方法。One-stage方法計算簡單，但準確率相對較低。而two-stage方法雖然計算相對復雜，但是準確率有所提升。

遙感圖像分為光學遙感圖像和SAR圖像，區別于自然圖像，它的特征難以提取，且與自然圖像的特征不通用，目標較小，某些類別間相似性很大，尤其是SAR圖像為灰度圖像，即單通道圖像，在訓練過程中與自然圖像模型參數不同，無法通用。某些類別的目標的特征不夠明顯，導致特征提取效果不佳，因此，這些類別的目標檢測精度相較于其他類別會低，從而影響整體的平均檢測精度。因此，如何提升遙感圖像中這些檢測精度較低樣本的檢測精度是一個非常有意義的課題。

近年來，一些學者對two-stage方法中檢測精度較低樣本的精度提升做了一些改進。例如Rui Liu等2020年在第39屆會議Chinese Control Conference(CCC)中發表的論文“An Improved Faster-RCNN Algorithm for Object Detection in Remote SensingImages”，公開了一種針對檢測精度較低樣本的遙感圖像的目標檢測方法，該方法設置閾值，手動將分類準確率較低的樣本挑出來，重新輸入網絡進行訓練，以達到提升這些樣本分類準確率的目的。雖然有效，但增加了訓練時間，并且對分類準確率低的樣本的劃分過于絕對，不能自動調節不同難分程度的樣本對損失函數的貢獻。

發明內容

本發明的目的在于針對上述現有技術的不足，提出了一種基于改進交叉熵損失函數的遙感圖像目標檢測方法，用于解決現有技術中存在的檢測精度較低的技術問題。