[發(fā)明專利]用于無人機小目標監(jiān)測的遷移學習方法

在審

• 申請?zhí)枺?/td>: 202110683465.1
• 申請日: 2021-06-21
• 公開（公告）號: CN113435286A
• 公開（公告）日: 2021-09-24
• 發(fā)明（設計）人: 陳懷新;劉壁源;黃周
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/20;G06K9/32;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 何凡

本發(fā)明公開了一種用于無人機小目標監(jiān)測的遷移學習方法，其包括將無人機采集的開源對地圖像數(shù)據(jù)作為訓練樣本；通過初始化后的RetinaNet網絡遍歷訓練樣本，同時采用不同圖像尺寸對訓練樣本進行訓練，得到對應的特征圖；利用特征層級上采樣對齊方式將對應的特征圖進行對準；利用基于錨框交并比的自適應特征圖匹配方式，得到對準后的特征圖的匹配點矩陣；計算對準后的特征圖關鍵特征點的殘差；利用梯度反向傳播進行最小化殘差，直到完成最小化殘差，即完成源域到目標域的深度神經網絡數(shù)據(jù)遷移訓練學習，用于無人機小目標監(jiān)測的遷移學習。本發(fā)明模型收斂效果好、提高了小目標檢測的精度、降低了數(shù)據(jù)制備成本以及避免了計算量的過多增長。

技術領域

本發(fā)明涉及圖像處理領域，具體涉及一種用于無人機小目標監(jiān)測的遷移學習方法。

背景技術

近年來，基于無人機遙感平臺的目標檢測，因無人機平臺所具備的實時性高、覆蓋面廣、機動性強、成本低等特點，而在對地目標監(jiān)視、城市巡邏等領域有廣泛應用。然而，目前主流的目標檢測算法在通用目標檢測數(shù)據(jù)集如COCO和ImageNet等基準數(shù)據(jù)集上面達到了較高的精度，相比之下，在無人機數(shù)據(jù)集上的檢測精度有較大的差距。這是因為COCO和ImageNet等數(shù)據(jù)集成像條件較好，包含的自然圖像目標一般尺寸較大，具有辨別性的特征，且背景簡單。相比之下，無人機圖像目標更密集、尺寸更小，背景更加復雜，令小尺寸目標難以獲得辨別性特征，極大增加了高精度目標識別的難度。

為了提高小目標的檢測精度，多尺度圖像金字塔方法經常被用于增強小目標的特征表示。但該類方法的計算消耗巨大，圖像長寬放大S倍，計算量將增長S×S倍，在實際工程條件中很難應用。

發(fā)明內容

針對現(xiàn)有技術中的上述不足，本發(fā)明提供的一種用于無人機小目標監(jiān)測的遷移學習方法解決了傳統(tǒng)方法計算量大監(jiān)測精度低的問題。

為了達到上述發(fā)明目的，本發(fā)明采用的技術方案為：

提供一種用于無人機小目標監(jiān)測的遷移學習方法，其包括以下步驟：

S1、將無人機采集的開源對地圖像數(shù)據(jù)作為訓練樣本；

S2、對以ResNet-50為骨干結構的RetinaNet網絡進行初始化；

S3、通過初始化后的RetinaNet網絡遍歷訓練樣本，同時采用512×512的圖像尺寸對訓練樣本進行迭代訓練，確定目標域網絡的初始參數(shù)，并形成目標域網絡的特征圖，采用1024×1024的圖像尺寸對訓練樣本進行迭代訓練，確定源域網絡的最終參數(shù)，并形成源域網絡的特征圖；

S4、利用特征層級上采樣對齊方式將目標域網絡的特征圖與源域網絡的特征圖進行對準；

S5、利用基于錨框交并比的自適應特征圖匹配方式，將對準后的目標域網絡與源域網絡的層級特征圖進行匹配，得到匹配點矩陣；

S6、根據(jù)對準后的目標域網絡的特征圖與源域網絡的特征圖和其匹配點矩陣，計算歸一化局部L2范數(shù)損失，即源域網絡到目標域網絡對應關鍵特征點的殘差；

S7、利用梯度反向傳播進行最小化殘差，縮小源域網絡特征圖與目標域網絡特征圖的差異，直到完成最小化殘差，即完成源域到目標域的深度神經網絡數(shù)據(jù)遷移訓練學習，用于無人機小目標監(jiān)測的遷移學習。

進一步地：步驟S1中，采用的開源對地圖像數(shù)據(jù)為VisDrone2018-DET數(shù)據(jù)集，訓練樣本為6471張。

進一步地，步驟S2的具體方法包括以下子步驟：

S2-1、利用超過33萬張圖片的COCO數(shù)據(jù)對RetinaNet網絡中的ResNet-50結構進行預訓練；其中ResNet-50結構為卷積特征抽取網絡；