[發明專利]一種基于代表特征的遙感圖像中的密集目標檢測方法在審
| 申請號： | 202110725564.1 | 申請日： | 2021-06-29 |
| 公開（公告）號： | CN113536986A | 公開（公告）日： | 2021-10-22 |
| 發明（設計）人： | 胡凡;方效林;吳文甲;楊明;羅軍舟 | 申請（專利權）人： | 南京逸智網絡空間技術創新研究院有限公司 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 南京經緯專利商標代理有限公司 32200 | 代理人： | 羅運紅 |
| 地址： | 210012 江蘇省南*** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 代表 特征 遙感 圖像 中的 密集 目標 檢測 方法 | ||
1.一種基于代表特征的遙感圖像中的密集目標檢測方法，其特征在于，包括如下步驟：
(1)構建四個網絡模塊，包括特征提取網絡、特征金字塔網絡、初步預測網絡和最終預測網絡，將待檢測遙感圖像依次輸入到特征提取網絡和特征金子塔網絡中，輸出初步特征圖；
(2)將初步特征圖輸入到初步預測網絡中，在數據集所有類別中選取每個類別語義信息的代表特征和各個類別在整張特征圖中代表置信度；
(3)將初步預測網絡輸出的特征圖輸入到最終預測網絡中，得到最終特征圖，計算同類別的代表特征與最終特征圖相同位置特征向量之間的相似度；
(4)以步驟3得到的相似度為權重，在困難正樣本分類置信度基礎上自適應提升分類置信度，作為困難正樣本的最終分類置信度。
2.根據權利要求1所述的密集目標檢測方法，其特征在于，所述步驟2得到最高分類置信度和代表特征的過程為：
(201)在初步預測網絡的分類支路中，計算整張特征圖H×W位置處各類別的分類置信度其中H為特征圖的長度，W為寬度，k為數據集的類別；
(202)在中找出最高的分類置信度作為類別k的代表置信度RepConfidences，找出取得最高分類置信度的位置(h,w)，其中h為長度，w為寬度；
(203)在初步特征圖FMFAM中提取第h行、第w列的特征信息用以表示類別k的代表特征RepFeaturek，其中FMFAM是初步預測網絡的分類支路和回歸支路所共享的前一層特征圖；
(204)設置分類置信度閾值，只有當類別k的代表置信度大于分類置信度閾值時，類別k的代表特征才為有效的代表特征。
3.根據權利要求2所述的密集目標檢測方法，其特征在于，所述步驟3中相似度包括特征語義相似度和特征空間相似度，所述特征語義相似度計算過程包括：
采用嵌入高斯相似性度量函數計算特征語義信息相似性，并對采用的度量方法進行歸一化，所述的嵌入高斯相似性度量函數為：
其中RFk表示第k種類別的代表特征RepFeaturek，Fhw表示最終預測網絡輸出的特征圖FMODM中第h行、第w列的特征向量特征向量RepFeaturek、均為1×1×n維，i表示n個維度中第i個維度的特征值；
采用線性嵌入空間的形式：
φ(RFk)＝WφRFk
θ(Fhw)＝WθFhw
其中Wφ、Wθ是學習權重矩陣；φ(RFk)i、θ(Fhw)i分別表示兩個特征向量在每個維度中的特征值；
N(φ(RF))為歸一化因子，通過計算最終預測網絡中第h行、第w列的特征向量Fhw分別與K個有效代表特征RFk的相似度的加和，將嵌入高斯相似度歸一化為0到1的范圍內，以避免相似度過高而產生的梯度爆炸問題，歸一化因子計算公式如式為；
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于南京逸智網絡空間技術創新研究院有限公司，未經南京逸智網絡空間技術創新研究院有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110725564.1/1.html，轉載請聲明來源鉆瓜專利網。
