[發明專利]基于多尺度融合輕量化深度學習卷積網絡的目標檢測方法

在審

• 申請號: 202111068517.0
• 申請日: 2021-09-13
• 公開（公告）號: CN113902971A
• 公開（公告）日: 2022-01-07
• 發明（設計）人: 曾大治;梁若飛;章菲菲;劉英杰
• 申請（專利權）人: 北京理工雷科電子信息技術有限公司
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/82;G06V30/18;G06N3/04;G06N3/08
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 田亞琪

1.一種基于多尺度融合的輕量化深度學習卷積網絡的目標檢測方法，其特征在于，包括以下步驟：

步驟一、獲取衛星寬幅圖像數據，對圖像數據中的飛機目標進行標注，對標注后的數據進行拆分形成訓練集、測試集和驗證集；

步驟二、構建由Stem模塊、雙路卷積密集連接模塊和傳輸層構成的骨干網絡；

步驟三、為了檢測尺度差異大的飛機目標，構建多種尺度的卷積層來用于分類和檢測；

步驟四、基于飛機目標的任意方向性，構建兩個網絡分支提取不同特征進行分類和回歸；

步驟五、在回歸的網絡分支加入ARF和ORN；

步驟六、基于步驟五的網絡提取旋轉不變特征，構建特征映射關系，對飛機目標類別進行置信度確定及四個邊界框的確定；

步驟七、基于步驟六得到的不同尺度特征下的目標的四個邊界框，進行非極大值抑制操作，最后得到最終的檢測結果，從而完成輕量化網絡的設計；利用步驟一獲得的訓練集、測試集和驗證集對所述輕量化網絡進行訓練；

步驟八、利用訓練好的輕量化網絡對衛星寬幅圖像數據中的飛機目標進行檢測。

2.如權利要求1所述的一種基于多尺度融合的輕量化深度學習卷積網絡的目標檢測方法，其特征在于，所述衛星寬幅數據為8米民用分辨率。

3.如權利要求1所述的一種基于多尺度融合的輕量化深度學習卷積網絡的目標檢測方法，其特征在于，步驟三中，采用采用4種尺度特征圖做檢測。

4.如權利要求3所述的一種基于多尺度融合的輕量化深度學習卷積網絡的目標檢測方法，其特征在于，步驟三中，采用了殘差模塊和反卷積模塊構成了多尺度特征融合模塊，并且將其嵌入到每種尺度特征下。

5.如權利要求1所述的一種基于多尺度融合的輕量化深度學習卷積網絡的目標檢測方法，其特征在于，步驟四中，回歸分支通過主動旋轉卷積濾波器來提取旋轉敏感特征，分類分支通過匯集旋轉敏感特征來提取旋轉不變性特征。