[發(fā)明專利]一種基于代表特征的遙感圖像中的密集目標(biāo)檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110725564.1
• 申請(qǐng)日: 2021-06-29
• 公開(kāi)（公告）號(hào): CN113536986A
• 公開(kāi)（公告）日: 2021-10-22
• 發(fā)明（設(shè)計(jì)）人: 胡凡;方效林;吳文甲;楊明;羅軍舟
• 申請(qǐng)（專利權(quán)）人: 南京逸智網(wǎng)絡(luò)空間技術(shù)創(chuàng)新研究院有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 羅運(yùn)紅

本發(fā)明公開(kāi)了一種基于代表特征的遙感圖像中的密集目標(biāo)檢測(cè)方法，包括：構(gòu)建特征提取網(wǎng)絡(luò)、特征金字塔網(wǎng)絡(luò)、初步預(yù)測(cè)網(wǎng)絡(luò)和最終預(yù)測(cè)網(wǎng)絡(luò)，將待檢測(cè)遙感圖像依次輸入到特征提取網(wǎng)絡(luò)和特征金子塔網(wǎng)絡(luò)中；將初步特征圖輸入到初步預(yù)測(cè)網(wǎng)絡(luò)中，在數(shù)據(jù)集所有類別中選取每個(gè)類別語(yǔ)義信息的代表特征和各個(gè)類別在整張?zhí)卣鲌D中代表置信度；將初步預(yù)測(cè)網(wǎng)絡(luò)輸出的特征圖輸入到最終預(yù)測(cè)網(wǎng)絡(luò)中，計(jì)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；以相似度為權(quán)重，在困難正樣本分類置信度基礎(chǔ)上自適應(yīng)提升分類置信度。本發(fā)明利用代表特征和代表置信度自適應(yīng)提升了困難正樣本分類置信度，提升了遙感圖像密集場(chǎng)景下的困難正樣本的分類能力。

技術(shù)領(lǐng)域

本發(fā)明涉及目標(biāo)檢測(cè)，特別涉及一種基于代表特征的遙感圖像中的密集目標(biāo)檢測(cè)方法。

背景技術(shù)

遙感技術(shù)是一種發(fā)展迅速的高新技術(shù)，它所形成的信息網(wǎng)絡(luò)為人們提供大量的科學(xué)數(shù)據(jù)和動(dòng)態(tài)信息，遙感圖像檢測(cè)是目標(biāo)檢測(cè)的基準(zhǔn)問(wèn)題，在農(nóng)業(yè)、氣象測(cè)繪、環(huán)境保護(hù)等多個(gè)領(lǐng)域有著很大的應(yīng)用價(jià)值。

隨著深度學(xué)習(xí)算法在計(jì)算機(jī)視覺(jué)領(lǐng)域取得的極大成功，已被認(rèn)為是遙感圖像處理的首選方法。由于俯瞰視角拍攝和更大的空間視野，遙感圖像中存在更多的密集場(chǎng)景并包含大量密集排列的物體，在基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法中，與真值標(biāo)簽對(duì)應(yīng)的目標(biāo)類別來(lái)說(shuō)，該樣本為正樣本，對(duì)于目標(biāo)分類置信度的預(yù)測(cè)值與真值標(biāo)簽誤差較大的正樣本為困難樣本。現(xiàn)有的優(yōu)良檢測(cè)模型可以檢測(cè)出圖像中的多數(shù)物體，卻往往會(huì)漏掉其中檢測(cè)難度較大的部分困難正樣本。當(dāng)檢測(cè)困難樣本時(shí)，目標(biāo)檢測(cè)模型對(duì)于正樣本預(yù)測(cè)的分類置信度低于設(shè)定的置信度閾值時(shí)，困難正樣本會(huì)在后處理階段被濾除，從而導(dǎo)致檢測(cè)模型檢測(cè)性能的降低；或者人為在網(wǎng)絡(luò)的后處理階段降低置信度閾值，則使得檢測(cè)模型失去抑制低置信度負(fù)樣本的能力。所以，在遙感圖像中準(zhǔn)確地檢測(cè)出密集排列的多個(gè)物體具有更多挑戰(zhàn)性。

發(fā)明內(nèi)容

發(fā)明目的：針對(duì)以上問(wèn)題，本發(fā)明目的是提供一種基于代表特征的遙感圖像中的密集目標(biāo)檢測(cè)方法，通過(guò)自適應(yīng)增加困難正樣本的分類置信度，進(jìn)而準(zhǔn)確檢測(cè)出遙感圖像中密集排列的多個(gè)同類物體。

技術(shù)方案：本發(fā)明的一種基于代表特征的遙感圖像中的密集目標(biāo)檢測(cè)方法，包括如下步驟：

(1)構(gòu)建四個(gè)網(wǎng)絡(luò)模塊，包括特征提取網(wǎng)絡(luò)、特征金字塔網(wǎng)絡(luò)、初步預(yù)測(cè)網(wǎng)絡(luò)和最終預(yù)測(cè)網(wǎng)絡(luò)，將待檢測(cè)遙感圖像依次輸入到特征提取網(wǎng)絡(luò)和特征金子塔網(wǎng)絡(luò)中，輸出初步特征圖；

(2)將初步特征圖輸入到初步預(yù)測(cè)網(wǎng)絡(luò)中，在數(shù)據(jù)集所有類別中選取每個(gè)類別語(yǔ)義信息的代表特征和各個(gè)類別在整張?zhí)卣鲌D中代表置信度；

(3)將初步預(yù)測(cè)網(wǎng)絡(luò)輸出的特征圖輸入到最終預(yù)測(cè)網(wǎng)絡(luò)中，得到最終特征圖，計(jì)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(quán)重，在困難正樣本分類置信度基礎(chǔ)上自適應(yīng)提升分類置信度，作為困難正樣本的最終分類置信度。

進(jìn)一步，所述步驟2得到最高分類置信度和代表特征的過(guò)程為：

(201)在初步預(yù)測(cè)網(wǎng)絡(luò)的分類支路中，計(jì)算整張?zhí)卣鲌DH×W位置處各類別的分類置信度其中H為特征圖的長(zhǎng)度，W為寬度，k為數(shù)據(jù)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(zhǎng)度，w為寬度；

(203)在初步特征圖FM_FAM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RepFeature_k，其中FM_FAM是初步預(yù)測(cè)網(wǎng)絡(luò)的分類支路和回歸支路所共享的前一層特征圖；

(204)設(shè)置分類置信度閾值，只有當(dāng)類別k的代表置信度大于分類置信度閾值時(shí)，類別k的代表特征才為有效的代表特征。