[發明專利]一種基于深度神經網絡的遙感旋轉目標檢測方法

在審

• 申請號: 202211468221.2
• 申請日: 2022-11-22
• 公開（公告）號: CN115937672A
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 沈雨晨;宋智豪;業巧林
• 申請（專利權）人: 南京林業大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/42;G06V10/80;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 南京聯卓知識產權代理有限公司 32597
• 代理人: 袁慧

1.一種基于深度神經網絡的遙感旋轉目標檢測方法，其特征在于，所述方法包括以下步驟：

S1、采集遙感圖像數據集，通過在全球范圍內通用的遙感圖像公開數據集獲取數據，并對采集得到的遙感圖像數據集進行預處理；

S2、讀取預處理后圖像數據，并采用復雜數據增強方法對數據集進行線上數據增強；

S3、通過主干提取網絡，將原始圖像中提取的多層抽象特征輸入到改進的特征金字塔模塊進行處理；

S4、提取處理后圖像的特征圖，并通過全局信息處理模塊進行處理；

S5、根據S4得到全局信息處理模塊的結果，通過特征細化模塊對特征圖進行卷積處理；

S6、將各層的特征圖傳入旋轉目標的檢測器，得到網絡預測結果，根據預測結果與真實樣本標簽對比結果，構建網絡損失函數；

S7、基于損失函數最小化，通過帶動量隨機梯度下降算法反向傳播迭代，并更新網絡中訓練參數的權重，以實現深度神經網絡的訓練。

2.根據權利要求1所述一種基于深度神經網絡的遙感旋轉目標檢測方法，其特征在于，所述S1中對采集得到的遙感圖像數據集進行預處理的方法包括以下步驟：

S1.1、獲取遙感圖像數據集；

S1.2、采用幾何變換將原始圖像進行均勻尺寸切割，其中幾何變換包括裁剪、縮放、旋轉、翻轉；

根據公式得到切割后的圖像尺寸均為1024×1024，其中S_hou(x，y)表示切割后的圖像的位置信息所對應的像素點，S_qian表示原始圖像，W_qian表示切割前圖像的寬度，H_qian表示切割前圖像的高度；

S1.3、將切割后的圖像作為一個集合，記為訓練樣本集。

3.根據權利要求2所述一種基于深度神經網絡的遙感旋轉目標檢測方法，其特征在于，所述S2中對讀取預處理后圖像數據，并采用復雜數據增強方法對數據集進行線上數據增強的方法包括以下步驟：

S2.1、根據S1.3獲取切割后的訓練樣本集，

S2.2、獲取訓練樣本并對所述樣本進行旋轉、翻轉預處理操作。

4.根據權利要求3所述一種基于深度神經網絡的遙感旋轉目標檢測方法，其特征在于，所述S3中通過主干提取網絡，將原始圖像中提取的多層抽象特征輸入到改進的特征金字塔模塊進行處理的方法包括以下步驟：

S3.1、利用預訓練的殘差網絡作為主干網絡從原始圖像中提取多層抽象特征，構建特征金字塔模塊；

S3.2、根據提取的多層抽象特征輸入到特征金字塔模塊進行處理，在特征金字塔模塊中進行相鄰兩層間的特征融合。

5.根據權利要求4所述一種基于深度神經網絡的遙感旋轉目標檢測方法，其特征在于，所述S4中提取處理后圖像的特征圖，并通過全局信息處理模塊進行處理的方法包括以下步驟：

S4.1、根據S3.1得到特征金字塔模塊，通過特征金字塔模塊中全局信息處理模塊對圖像特征圖進行處理；

S4.2、獲取尺寸為H×W原始圖像通道數卷積內核D，并以尺寸大小為1024×1024，通道數為C的特征圖作為輸入；

S4.3、以F∈R^H×W×C表示卷積核，M∈R^{1024×1024×C}表示輸入，O∈R^R×T×D表示輸出特征圖，根據公式得到第j個卷積核相應輸出特征映射通道,其中*代表二維卷積算子，M_：，：n表示第n個通道的尺寸為1024×1024的特征圖，表示F^(j)的第j個通道尺寸為1024×1024的特征圖。

S4.4、歸一化處理O_：，：j，得到其中μj表示批標準化的通道平均值，σj表示批標準化的通道標準差，γj表示縮放系數，βj表示偏移量；

S4.5、根據公式得到1×k和k×1卷積核輸出結果經過融合后得到的的卷積核，其中F′^(j)表示全局處理輸出結果，b_j表示偏置，表示1×k卷積核的輸出，表示k×1卷積核輸出。