[發(fā)明專(zhuān)利]一種基于深度神經(jīng)網(wǎng)絡(luò)的遙感旋轉(zhuǎn)目標(biāo)檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202211468221.2
• 申請(qǐng)日: 2022-11-22
• 公開(kāi)（公告）號(hào): CN115937672A
• 公開(kāi)（公告）日: 2023-04-07
• 發(fā)明（設(shè)計(jì)）人: 沈雨晨;宋智豪;業(yè)巧林
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南京林業(yè)大學(xué)
• 主分類(lèi)號(hào): G06V20/10
• 分類(lèi)號(hào): G06V20/10;G06V10/42;G06V10/80;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 南京聯(lián)卓知識(shí)產(chǎn)權(quán)代理有限公司 32597
• 代理人: 袁慧

本發(fā)明涉及圖像識(shí)別領(lǐng)域，具體為一種基于深度神經(jīng)網(wǎng)絡(luò)的遙感旋轉(zhuǎn)目標(biāo)檢測(cè)方法，本發(fā)明旨在基于深度神經(jīng)網(wǎng)絡(luò)的特征融合部分，改進(jìn)并解決經(jīng)典網(wǎng)絡(luò)中對(duì)全局信息的忽略問(wèn)題，并且通過(guò)特征圖通道維度上的連接融合操作，改進(jìn)特征圖的融合效果，增強(qiáng)特征圖所蘊(yùn)含的信息，提升網(wǎng)絡(luò)對(duì)遙感圖像目標(biāo)檢測(cè)任務(wù)的精度；本發(fā)明通過(guò)改進(jìn)網(wǎng)絡(luò)模塊，將全球范圍內(nèi)通用的遙感圖像公開(kāi)數(shù)據(jù)集在DOTA數(shù)據(jù)集上進(jìn)行測(cè)試，相比其他方法，可以達(dá)到更高的精度，對(duì)于小目標(biāo)以及大目標(biāo)的檢測(cè)能力都有所提升，同時(shí)也不會(huì)大幅增加網(wǎng)絡(luò)參數(shù)。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像識(shí)別領(lǐng)域，具體為一種基于深度神經(jīng)網(wǎng)絡(luò)的遙感旋轉(zhuǎn)目標(biāo)檢測(cè)方法。

背景技術(shù)

基于遙感圖像的目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域下的一大重要分支，這也是最基本但最具挑戰(zhàn)性的研究課題之一。對(duì)于遙感圖像的目標(biāo)檢測(cè)有很廣闊的應(yīng)用前景，精準(zhǔn)的邊界框識(shí)別在許多領(lǐng)域發(fā)揮著重要的作用，如森林?jǐn)_動(dòng)動(dòng)態(tài)監(jiān)測(cè)、土地資源管理和城市環(huán)境評(píng)價(jià)。

近年來(lái)，隨著深度卷積神經(jīng)網(wǎng)絡(luò)的重大發(fā)展，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)取得了巨大的進(jìn)展，各類(lèi)檢測(cè)方法大致可以分為兩種，其中一類(lèi)是指，例如動(dòng)態(tài)R-CNN，CSL，PP-PicoDet等，它們明確地通過(guò)微調(diào)標(biāo)簽分配標(biāo)準(zhǔn)(即IoU閾值)和損失函數(shù)，動(dòng)態(tài)地優(yōu)化訓(xùn)練過(guò)程，以聚焦于高質(zhì)量的樣本。另一類(lèi)是指，例如DAL，Aabo，ATSS等，它們通過(guò)提出了新的超參數(shù)優(yōu)化方法來(lái)自動(dòng)調(diào)整錨的配置，為指定的數(shù)據(jù)集定制更合適的錨。許多的網(wǎng)絡(luò)研究都可以較好得完成簡(jiǎn)單的遙感圖像目標(biāo)檢測(cè)任務(wù)，但是，大多方法聚焦主干網(wǎng)絡(luò)的特征提取以及分類(lèi)器的處理，這些方法大多忽略了特征融合部分的重要性，且特征融合部分又有極大的改進(jìn)空間。

在基于遙感圖像的目標(biāo)檢測(cè)任務(wù)中，大多存在以下幾個(gè)待解決的問(wèn)題：檢測(cè)目標(biāo)多為小目標(biāo)且密集、目標(biāo)框旋轉(zhuǎn)角度任意、目標(biāo)長(zhǎng)寬比較大時(shí)沒(méi)有合適的對(duì)應(yīng)檢測(cè)錨以及遙感圖像存在大量實(shí)例級(jí)噪音等問(wèn)題，這些問(wèn)題直接或間接地影響檢測(cè)網(wǎng)絡(luò)的精度，阻礙了遙感圖像目標(biāo)檢測(cè)任務(wù)的發(fā)展。

對(duì)于深度神經(jīng)網(wǎng)絡(luò)的特征圖融合部分，經(jīng)典的網(wǎng)絡(luò)大多聚焦局部特征的融合與提取，忽略了全局信息在檢測(cè)中起到的作用，因此可能導(dǎo)致經(jīng)過(guò)多層下采樣之后，小目標(biāo)在特征圖中的丟失，這對(duì)遙感圖像檢測(cè)任務(wù)，尤其是遙感圖像中的小目標(biāo)檢測(cè)是不利的。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于深度神經(jīng)網(wǎng)絡(luò)的遙感旋轉(zhuǎn)目標(biāo)檢測(cè)方法，以解決上述背景技術(shù)中提出的問(wèn)題。

為了解決上述技術(shù)問(wèn)題，本發(fā)明提供如下技術(shù)方案：

一種基于深度神經(jīng)網(wǎng)絡(luò)的遙感旋轉(zhuǎn)目標(biāo)檢測(cè)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(shù)據(jù)集，通過(guò)在全球范圍內(nèi)通用的遙感圖像公開(kāi)數(shù)據(jù)集獲取數(shù)據(jù)，并對(duì)采集得到的遙感圖像數(shù)據(jù)集進(jìn)行預(yù)處理；

S2、讀取預(yù)處理后圖像數(shù)據(jù)，并采用復(fù)雜數(shù)據(jù)增強(qiáng)方法對(duì)數(shù)據(jù)集進(jìn)行線上數(shù)據(jù)增強(qiáng)；

S3、通過(guò)主干提取網(wǎng)絡(luò)，將原始圖像中提取的多層抽象特征輸入到改進(jìn)的特征金字塔模塊進(jìn)行處理；

S4、提取處理后圖像的特征圖，并通過(guò)全局信息處理模塊進(jìn)行處理；

S5、根據(jù)S4得到全局信息處理模塊的結(jié)果，通過(guò)特征細(xì)化模塊對(duì)特征圖進(jìn)行卷積處理；

S6、將各層的特征圖傳入旋轉(zhuǎn)目標(biāo)的檢測(cè)器，旋轉(zhuǎn)目標(biāo)的檢測(cè)器是一個(gè)包含全連接網(wǎng)絡(luò)的深度學(xué)習(xí)模塊，旋轉(zhuǎn)目標(biāo)的檢測(cè)器的輸入是特征圖，輸出是檢測(cè)目標(biāo)的中心點(diǎn)坐標(biāo)x、y,檢測(cè)框?qū)捀遠(yuǎn)、w,以及旋轉(zhuǎn)角度θ，通過(guò)這些得到網(wǎng)絡(luò)預(yù)測(cè)結(jié)果，根據(jù)預(yù)測(cè)結(jié)果與真實(shí)樣本標(biāo)簽對(duì)比結(jié)果，構(gòu)建網(wǎng)絡(luò)損失函數(shù)；

S7、基于損失函數(shù)最小化，通過(guò)帶動(dòng)量隨機(jī)梯度下降算法反向傳播迭代，并更新網(wǎng)絡(luò)中訓(xùn)練參數(shù)的權(quán)重，以實(shí)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

進(jìn)一步的，所述S1中對(duì)采集得到的遙感圖像數(shù)據(jù)集進(jìn)行預(yù)處理的方法包括以下步驟：