The invention discloses a remote sensing image target detection method based on convolution neural network. The method includes: constructing a dual-branch convolution neural network consisting of a target detection branch network and a saliency reconstruction branch network, the convolution neural network is used to enhance the characteristics of the target area; constructing a pixel-level loss function and a target-level loss function respectively, and joining the two loss functions. The convolutional neural network is trained under constraints to enhance the features of the target area in the feature extraction process. The truncated VGG and the saliency reconstruction branch network are combined to achieve the adaptive extraction of saliency information, and the truncated VGG and the target detection branch network are used to locate and classify the target. The invention adaptively extracts effective saliency information, enhances target region features, suppresses background interference, improves the feature extraction performance of CNN in complex scenes of remote sensing images, and improves the accuracy of target detection.
【技术实现步骤摘要】
一种基于卷积神经网络的遥感图像目标检测方法
本专利技术涉及图像处理、计算机视觉
,尤其涉及一种基于卷积神经网络的遥感图像目标检测方法。
技术介绍
作为遥感图像分析领域的研究热点,目标检测旨在从大规模遥感图像中快速定位特定目标,被广泛应用于交通管理、城市规划、以及军事监控等领域,具有重要的应用价值。近年来,随着深度学习理论研究的突破,深度学习网络初步应用于遥感图像目标检测领域。深度学习网络简化特征在设计过程的同时显著提升了目标检测方法的特征提取性能,增强了检测方法的实用性与有效性。目前图像处理领域中,卷积神经网络(ConvolutionalNeuralNetwork,CNN)为使用最广泛的深度学习网络,其根据所提供的目标与损失函数自适应调整网络参数,具有自动提取语义信息丰富、判别能力强的特征,能有效改善特征提取性能。随着遥感图像成像技术的进步,遥感图像中丰富的图像信息不仅为CNN的应用奠定了数据基础,还给CNN的特征提取过程提出了的挑战。遥感图像丰富的场景信息干扰了CNN的特征提取过程。因此,如何处理好遥感图像中背景和目标特征的关系,改善CNN的特征提取性能,获得了更多的关注。Fang等人提出一体化的CNN分类网络,利用CNN实现图像特征提取,并结合归一化指数函数(softmax)层完成遥感图像的场景分类任务。Li等人利用两个独立的CNN网络分别完成遥感图像场景识别和目标检测的任务,实现了由粗到细的遥感图像目标检测。Zhao等人利用CNN网络完成对飞机目标关键点的坐标回归任务,由网络对关键点坐标进行预测,从而完成目标种类识别的任务。Cheng等人通过在 ...
【技术保护点】
1.一种基于卷积神经网络的遥感图像目标检测方法,其特征在于,所述方法包括:构建由目标检测分支网络和显著性重建分支网络组成的双分支卷积神经网络,所述卷积神经网络用于增强目标区域的特征;分别构建像素级以及目标级损失函数,在两个损失函数的共同约束下对所述卷积神经网络进行训练,促使卷积神经网络在特征提取过程中增强目标区域的特征;通过截断型VGG与显著性重建分支网络联合完成显著性信息的自适应提取,通过截断型VGG与目标检测分支网络共同完成目标的定位与分类。
【技术特征摘要】
1.一种基于卷积神经网络的遥感图像目标检测方法,其特征在于,所述方法包括:构建由目标检测分支网络和显著性重建分支网络组成的双分支卷积神经网络,所述卷积神经网络用于增强目标区域的特征;分别构建像素级以及目标级损失函数,在两个损失函数的共同约束下对所述卷积神经网络进行训练,促使卷积神经网络在特征提取过程中增强目标区域的特征;通过截断型VGG与显著性重建分支网络联合完成显著性信息的自适应提取,通过截断型VGG与目标检测分支网络共同完成目标的定位与分类。2.根据权利要求1所述的一种基于卷积神经网络的遥感图像目标检测方法,其特征在于,所述目标检测分支网络为多尺度特征图网络结构,包括:5层卷积层,以及5层非线性层,每一卷积层的设置均相同。3.根据权利要求1所述的一种基于卷积神经网络的遥感图像目标检测方法,其特征在于,所述显著性重建分支网络包括:13层卷积层、13层非线性层、5层基于池化索引的上采样层,每层非线性层均接在卷积层后,且分别在输入特征、非线性层ReLU5_3u、ReLU4_3u、ReLU3_3u、和ReLU2_2u后设置上采样层;最后一层卷积层的输出设置为双通道,分别用于计算重建图像中每一像素属于显著性区域和背景的置信度,与对应的标签进行比较并计算像素级损失4.根据权利要求1所述的一种基于卷积神经网络的遥感图像目标检测方法,其特征在于,目标检测分支网络和显著性重建分支网络的公共部分由截断型VGG构成,用于...
【专利技术属性】
技术研发人员:雷建军,罗晓维,李奕,牛力杰,陈越,郭琰,
申请(专利权)人:天津大学,
类型:发明
国别省市:天津,12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。