基于多尺度深度卷积神经网络的卫星图像目标检测方法技术

本发明专利技术公开了一种基于多尺度深度卷积神经网络的卫星图像目标检测方法，包括步骤收集卫星图像训练数据集，并进行样本标注；对卫星图像训练数据集进行预处理；搭建多尺度深度卷积神经网络；将预处理后的训练数据集输入到基于所述多尺度深度卷积神经网络的目标检测框架进行训练，获得训练好的目标检测神经网络；输入待检测卫星图像集，采用训练好的所述目标检测神经网络进行目标检测，输出识别结果。其显著效果是：提高了网络对于细粒度特征的检测结果以及区分不同物体的能力，改善了对于小物体和密集物体群的检测效果，具有更强的鲁棒性，有效地提高了目标检测效率，降低了硬件需求。

Satellite image target detection method based on multi-scale depth convolution neural network

【技术实现步骤摘要】
基于多尺度深度卷积神经网络的卫星图像目标检测方法
本专利技术涉及到基于卷积神经网络检测多尺度卫星图像目标的
，具体涉及一种基于多尺度深度卷积神经网络的卫星图像目标检测方法。
技术介绍
近年来基于深度学习的目标检测算法有了很大的效率提升，但基于卫星图像的处理还存在着一系列问题。卫星图像是十分重要的资源，可以通过它计量国土资源，检测地面情况并且能高瞻远瞩的记录地表发生的变化。但是，由于卫星图像十分巨大而且其中的物体相对较小，缺乏高质量卫星图像的训练数据等问题，使得利用卫星图像进行目标检测是充满挑战的工作。例如：对于卫星图像中小物体和密集物体群的检测效果差强人意；现有目标检测算法对于不常见的比例或新的图像分布缺乏一定的泛化能力，同时由于物体可能的方向和尺寸比例各不相同，算法有限的比例变化对于特殊目标的检测就会失效；同时，现有目标检测算法都是对整幅图像进行处理的，但对于上亿像素的卫星图像来说，很难有硬件显卡内存可以满足如此大的需求。
技术实现思路
针对现有技术的不足，本专利技术的目的是提供一种基于多尺度深度卷积神经网络的卫星图像目标检测方法，以解决
技术介绍
中所述的各种缺陷。为达到上述目的，本专利技术采用的技术方案如下：一种基于多尺度深度卷积神经网络的卫星图像目标检测方法，其关键在于：包括如下步骤：步骤1：收集卫星图像训练数据集，并进行样本标注；步骤2：对卫星图像训练数据集进行预处理；步骤3：搭建多尺度深度卷积神经网络，搭建步骤如下：步骤3.1：构建共有17层卷积层的基础分组卷积模块，并分别在第1、2、5、8层卷积层连接池化层；步骤3.2：在步骤3.1的基础上构建残差连接卷积模块，将该残差连接卷积模块的每一层的每个输出端都依次连接批量归一化和LeakyReLu激活函数模块；步骤3.3：在第15层卷积层后连接通道层，在最后一层卷积层的每个输出端连接线性激活函数模块，构成共有22层结构的多尺度深度卷积神经网络，并将该多尺度深度卷积神经网络的输出段连接Focalloss损失函数模块；步骤4：将预处理后的训练数据集输入到基于所述多尺度深度卷积神经网络的目标检测框架进行训练，获得训练好的目标检测神经网络；步骤5：输入待检测卫星图像集，采用训练好的所述目标检测神经网络进行目标检测，输出识别结果。进一步的，步骤1中所述样本标注的样本包括汽车样本数据集、建筑平面样本数据集、飞机样本数据集、船只样本数据集与机场样本数据集，其中：所述汽车样本数据集采用COWC数据集，基于15cm的GSD尺度，利用高斯核对图像进行处理，并在30cm的GSD尺度上为每辆车标注3m的边框；所述建筑平面样本数据集采用SpaceNet数据集，在30cm的GSD尺度下进行样本的标注。进一步的，步骤2中所述预处理过程的具体步骤为：步骤2.1：按照预设的图像尺寸、重叠率对收集的卫星图像训练数据集进行旋转、切割处理；步骤2.2：对切割处理后得到的训练数据块进行HSV增强处理，形成完整的训练数据集。进一步的，步骤4中所述多尺度深度卷积神经网络的目标检测框架的训练过程为：步骤4.1：选择训练过程使用的设备，并进行参数设置；步骤4.2：在初始化的多尺度深度卷积神经网络的分类器上选择至少两个训练目标；步骤4.3：根据不同的训练目标设置不同尺度的窗口，并基于不同的尺度对大型图像进行窗口滑动检测所述训练目标；步骤4.4：经过所述多尺度深度卷积神经网络训练后获得各个所述训练目标的权重。进一步的，所述训练设备为NVIDIATitanXGPU；所述参数设置包括：学习率设为0.001，权重衰减设为0.0005，动量设为0.9。进一步的，所述训练目标为船只和飞机。进一步的，所述Focalloss损失函数的表达式为：FL(pt)＝-αt(1-pt)γlog(pt)，其中，αt为平衡参数，γ为抑制参数，pt为预测值。进一步的，步骤5中对待检测卫星图像集进行目标检测的具体步骤如下：步骤5.1：将待检测卫星图像以15％的重叠率切割成小图片，并输入所述目标检测神经网络；步骤5.2：将检测后的小图片根据位置标记拼接成完整的图像，并在拼接后的图像上进行非极大值抑制处理，得到输出结果。本专利技术对深度卷积神经网络的网络架构进行了改造，利用切割后的区域图像作为输入，采用多尺度检测方式来对图像进行目标检测的方法，从而提高了网络对于细粒度特征的检测结果以及区分不同物体的能力，对高分辨率输入和密集小物体进行了优化。同时由于传统目标检测算法对于不常见的比例或新的图像分布缺乏一定的泛化能力，故本专利对测试数据集进行了旋转和HSV(颜色空间转换)的随机增强，使算法对于不同传感器、大气条件和光照条件具有更强的鲁棒性。本专利技术的显著效果是：1、本专利技术对深度卷积神经网络架构进行了改造，提高了网络对于细粒度特征的检测结果以及区分不同物体的能力，改善了对于小物体和密集物体群的检测效果。2、为了解决这一问题，本专利技术对数据进行了旋转和HSV(颜色空间转换)的随机增强，解决了传统目标检测算法对于不常见的比例或新的图像分布缺乏一定的泛化能力，以及由于物体可能的方向和尺寸比例各不相同，算法有限的比例变化对于特殊目标的检测就会失效等问题，对于不同传感器、大气条件和光照条件具有更强的鲁棒性。3、现有的目标检测算法都是对整幅图像进行处理的，但对于上亿像素的卫星图像来说，很难有硬件显卡内存可以满足需求，本专利技术为了解决对于多尺度目标的高速检测，利用了区域图像作为输入，利用多尺度检测的方法，有效地提高了目标检测效率，降低了硬件需求。附图说明图1是本专利技术的方法流程图；图2是所述多尺度深度卷积神经网络的结构示意图；图3是检测结果图。具体实施方式下面结合附图对本专利技术的具体实施方式以及工作原理作进一步详细说明。如图1所示，一种基于多尺度深度卷积神经网络的卫星图像目标检测方法，具体步骤如下：步骤1：收集卫星图像训练数据集，并进行样本标注；本例中，所述样本标注的样本包括汽车样本数据集、建筑平面样本数据集、飞机样本数据集、船只样本数据集与机场样本数据集，其中：所述汽车样本数据集采用COWC数据集，基于15cm的GSD尺度，利用高斯核对图像进行处理，并在30cm的GSD尺度上为每辆车标注3m的边框，共标注13303个样本；所述建筑平面样本数据集采用SpaceNet数据集，在30cm的GSD尺度下进行样本的标注，共标注了221336个样本；所述飞机样本数据集利用八张DigitalGlobe的图片，共标注了230个样本；所述船只样本数据集利用三张DigitalGlobe的图片，共标注了556个样本；所述机场样本数据集利用37张图片作为训练样本，其中包含机场跑道，并进行4比例的降采样。步骤2：对卫星本文档来自技高网...

【技术保护点】
1.一种基于多尺度深度卷积神经网络的卫星图像目标检测方法，其特征在于包括如下步骤：/n步骤1：收集卫星图像训练数据集，并进行样本标注；/n步骤2：对卫星图像训练数据集进行预处理；/n步骤3：搭建多尺度深度卷积神经网络，搭建步骤如下：/n步骤3.1：构建共有17层卷积层的基础分组卷积模块，并分别在第1、2、5、8层卷积层连接池化层；/n步骤3.2：在步骤3.1的基础上构建残差连接卷积模块，将该残差连接卷积模块的每一层的每个输出端都依次连接批量归一化和LeakyReLu激活函数模块；/n步骤3.3：在第15层卷积层后连接通道层，在最后一层卷积层的每个输出端连接线性激活函数模块，构成共有22层结构的多尺度深度卷积神经网络，并将该多尺度深度卷积神经网络的输出段连接Focalloss损失函数模块；/n步骤4：将预处理后的训练数据集输入到基于所述多尺度深度卷积神经网络的目标检测框架进行训练，获得训练好的目标检测神经网络；/n步骤5：输入待检测卫星图像集，采用训练好的所述目标检测神经网络进行目标检测，输出识别结果。/n

【技术特征摘要】
1.一种基于多尺度深度卷积神经网络的卫星图像目标检测方法，其特征在于包括如下步骤：
步骤1：收集卫星图像训练数据集，并进行样本标注；
步骤2：对卫星图像训练数据集进行预处理；
步骤3：搭建多尺度深度卷积神经网络，搭建步骤如下：
步骤3.1：构建共有17层卷积层的基础分组卷积模块，并分别在第1、2、5、8层卷积层连接池化层；
步骤3.2：在步骤3.1的基础上构建残差连接卷积模块，将该残差连接卷积模块的每一层的每个输出端都依次连接批量归一化和LeakyReLu激活函数模块；
步骤3.3：在第15层卷积层后连接通道层，在最后一层卷积层的每个输出端连接线性激活函数模块，构成共有22层结构的多尺度深度卷积神经网络，并将该多尺度深度卷积神经网络的输出段连接Focalloss损失函数模块；
步骤4：将预处理后的训练数据集输入到基于所述多尺度深度卷积神经网络的目标检测框架进行训练，获得训练好的目标检测神经网络；
步骤5：输入待检测卫星图像集，采用训练好的所述目标检测神经网络进行目标检测，输出识别结果。


2.根据权利要求1所述的基于多尺度深度卷积神经网络的卫星图像目标检测方法，其特征在于：步骤1中所述样本标注的样本包括汽车样本数据集、建筑平面样本数据集、飞机样本数据集、船只样本数据集与机场样本数据集，其中：
所述汽车样本数据集采用COWC数据集，基于15cm的GSD尺度，利用高斯核对图像进行处理，并在30cm的GSD尺度上为每辆车标注3m的边框；
所述建筑平面样本数据集采用SpaceNet数据集，在30cm的GSD尺度下进行样本的标注。


3.根据权利要求1所述的基于多尺度深度卷积神经网络的卫星图像目标检测方法，其特征在于：步骤2中所述预处理过程的具体步骤为：
步骤2.1：按照预设的图像尺寸、重叠率对收集的卫星图像训练数据集进...

【专利技术属性】
技术研发人员：丁忆，李朋龙，曾安明，李晓龙，马泽忠，肖禾，罗鼎，段松江，胡艳，王岚，陈静，刘金龙，刘朝晖，魏文杰，谭攀，范文武，林熙，刘建，叶涛，袁力，
申请(专利权)人：重庆市地理信息和遥感应用中心重庆市测绘产品质量检验测试中心，
类型：发明
国别省市：重庆;50