面向大尺度遥感图像的多类目标快速检测方法技术

本发明专利技术公开了一种面向大尺度遥感图像的多类目标快速检测方法，包括以下步骤：将大比例尺遥感图像进行裁剪，并通过重新缩放和旋转来增强数据；利用具有串联线性整流函数模块和Inception模块的卷积特征提取器，将所得的图像数据作为输入并输出多个级别的特征；构建多尺度目标提议网络，并利用多尺度目标提议网络将卷积特征提取器输出的特征生成类似目标区域预测框；构建基于融合特征映射的精确目标检测网络，输入带有类似目标区域预测框的图像，利用精确目标检测网络实现精确的目标检测，输出检测结果。实现了具有大尺度变化的遥感图像中的多类目标自动检测，使得对遥感图像的多目标的实时检测成为可能。

Fast detection method of multi class targets for large scale remote sensing image

【技术实现步骤摘要】
面向大尺度遥感图像的多类目标快速检测方法
本专利技术涉及到遥感图像目标检测
，尤其涉及利用深度神经网络模型实现具有大尺度变化的遥感图像中的多类目标检测方法，对面向遥感图像上的多类目标检测方式进行了优化与完善。
技术介绍
遥感图像中多类对象的自动遥感图像分析过程中一个基本但具有挑战性的问题。传统方法中基于人工标注或基于浅层学习的特征，仅仅具有有限的描述能力。虽然最近的一些深度学习算法特别是基于快速区域的卷积神经网络(FRCN)已经具有了更强大的检测能力。但是，还有许多因素限制了FRCN在遥感图像检测中的应用，例如：(1)遥感图像中常常出现尺度差异巨大的目标，仅仅具有固定感受野的FRCN无法与不同物体的尺度变化相匹配；(2)大尺度遥感图像中的物体尺寸大多较小且峰值密集，FRCN对小目标的定位性能较差；(3)人工标注通常很昂贵，并且用于训练FRCN的人工标注目标数量不足。
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面向大尺度遥感图像的多类目标快速检测方法，能够实现具有大尺度变化的遥感图像中的多类目标自动检测，使得对遥感图像的多目标实时检测成为可能。为达到上述目的，本专利技术采用的技术方案如下：一种面向大尺度遥感图像的多类目标快速检测方法，其关键在于包括如下步骤：步骤1：将大比例尺遥感图像进行裁剪，并通过重新缩放和旋转来增强数据；步骤2：利用具有串联线性整流函数模块和Inception模块的卷积特征提取器，将步骤1所得的图像数据作为输入并输出多个级别的特征；步骤3：构建多尺度目标提议网络，并利用多尺度目标提议网络将卷积特征提取器输出的特征生成类似目标区域预测框；步骤4：构建基于融合特征映射的精确目标检测网络，输入带有类似目标区域预测框的图像，利用精确目标检测网络实现精确的目标检测，输出检测结果。进一步的，步骤2中所述卷积特征提取器由第一卷积层、第二卷积层、第一串联线性整流函数链、第二串联线性整流函数链、第一Inception链与第二Inception链依次连接形成，其中所述第一串联线性整流函数链与第二串联线性整流函数链均分别由若干所述串联线性整流函数模块串联形成，所述第一Inception链与第二Inception链均分别由若干所述Inception模块串联形成。进一步的，所述第一串联线性整流函数链由三个串联线性整流函数模块串联形成，所述第二串联线性整流函数链由四个串联线性整流函数模块串联形成，所述串联线性整流函数模块包括一个基础ReLU模块，在该基础ReLU模块的输入端与输出端均连接有一个1×1卷积层。进一步的，所述第一Inception链与所述第二Inception链均由四个Inception模块串联而成。进一步的，步骤3中所述多尺度目标提议网络的构建过程如下：步骤3.1：通过三个建议分支预测多尺度类似目标区域，每个建议分支由三个检测层组成，并分别进行不同窗口大小的滑动操作，提取出每个滑动窗口位置的局部特征；步骤3.2：在每个滑动窗口位置，预测出一个锚框；步骤3.3：为每个检测层构造训练样本，将位于图像边界之外的预测区域框丢弃，并为剩余的区域框根据其交并比大小为其分配一个类标签；步骤3.4：构建多尺度目标提议网络的整体损失函数，并对整体损失函数的最优参数通过随机梯度下降进行优化后得到目标的预测位置。进一步的，步骤3.3中所述训练样本的表达式为：其中，Sm为训练样本，Xi为步骤3.1提取出的局部特征，Bi为步骤3.2预测出的锚框，Yi为步骤3.3分配的类标签，N为窗口数量。进一步的，所述整体损失函数的表达式为：所述整体损失函数的最优参数的表达式为：W*＝argminWLMS-OPN(W)，其中，M是检测层的数量，αm表示每个检测层损失的权重，Sm为训练样本，Xi为步骤3.1提取出的局部特征，Bi为步骤3.2预测出的锚框，Yi为步骤3.3分配的类标签，W代表多尺度目标提议网络中的网络参数。进一步的，步骤4中利用精确目标检测网络实现精确目标检测的具体步骤为：步骤4.1：选择所述卷积特征选择器中第二串联线性整流函数链的最底层作为参考层，并将第一Inception链与第二Inception链输出的数据进行上采样后和所述参考层输出的数据进行串联，然后输入所述精确目标检测网络对其卷积层进行初始化；步骤4.2：将所述多尺度目标提议网络输出的含有类似目标区域预测框的图像输入所述精确目标检测网络，由精确目标检测网络进行特征提取与目标检测；步骤4.3：构建结合了用于分类的交叉熵损失和用于边界框回归的平滑损失的所述精确目标检测网络的损失函数，并利用该损失函数对所述精确目标检测网络进行训练，训练完成后输出检测结果。更进一步的，所述精确目标检测网络的损失函数表达式为：其中，M是检测层的数量，αm表示多尺度目标提议网络中每个检测层的损失的权重，αM+1表示精确目标检测网络的损失权重，lm表示多尺度目标提议网络中每一层的损失函数，W代表多尺度目标提议网络中的网络参数，Sm和SM+1分别代表多尺度目标提议网络和精确目标检测网络的训练样本数量，Wd代表全连接层和反卷积层的参数，Xi为步骤3.1提取出的局部特征，Bi为步骤3.2预测出的锚框，Yi为步骤3.3分配的类标签。本专利技术提出一种大尺度变化遥感图像中多类目标同时检测的统一有效方法，首先，采用C.ReLU和Inception模块对所述卷积特征提取器进行了重新设计，增加了感受野尺寸变化的范围；然后，由所述的两个子网络进行目标检测：所述多尺度目标提议网络用于从多个中间层生成类似目标的区域，其感受野匹配不同目标的不同尺度；所述的基于融合特征映射的精确目标检测网络通过结合多个特征映射，使得小而密集的目标能够产生更强的响应，在训练完成后即输出检测结果，从而有效实现了具有大尺度变化的遥感图像中的多类目标自动检测。本专利技术的显著效果是：本专利技术是一种统一有效的基于深度卷积神经网络的方法，在面对大尺度变化的遥感图像中的多类目标检测任务时，与其它方法相比，在重新设计的特征提取器上执行检测，然后是两个子网络：用于从中间层生成类似目标区域的MS-OPN子网络，其接受野匹配不同目标的不同尺度；然后是基于融合特征映射的目标检测AODN子网络，用来获得更具信息性的特征图，从而实现更为精确的目标检测，有效实现了具有大尺度变化的遥感图像中的多类目标自动检测，使得对遥感图像的多目标实时检测成为可能。附图说明图1是本专利技术的结构示意图；图2是本专利技术构建的卷积神经网络的整体架构图；图3是所述串联线性整流函数模块的结构示意图；图4是所述Inception模块的结构示意图。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，一种面向大尺度遥感图像的多类目标快速检测方法，具体步骤为：...

【技术保护点】
1.一种面向大尺度遥感图像的多类目标快速检测方法，其特征在于包括以下步骤：/n步骤1：将大比例尺遥感图像进行裁剪，并通过重新缩放和旋转来增强数据；/n步骤2：利用具有串联线性整流函数模块和Inception模块的卷积特征提取器，将步骤1所得的图像数据作为输入并输出多个级别的特征；/n步骤3：构建多尺度目标提议网络，并利用多尺度目标提议网络将卷积特征提取器输出的特征生成类似目标区域预测框；/n步骤4：构建基于融合特征映射的精确目标检测网络，输入带有类似目标区域预测框的图像，利用精确目标检测网络实现精确的目标检测，输出检测结果。/n

【技术特征摘要】
1.一种面向大尺度遥感图像的多类目标快速检测方法，其特征在于包括以下步骤：
步骤1：将大比例尺遥感图像进行裁剪，并通过重新缩放和旋转来增强数据；
步骤2：利用具有串联线性整流函数模块和Inception模块的卷积特征提取器，将步骤1所得的图像数据作为输入并输出多个级别的特征；
步骤3：构建多尺度目标提议网络，并利用多尺度目标提议网络将卷积特征提取器输出的特征生成类似目标区域预测框；
步骤4：构建基于融合特征映射的精确目标检测网络，输入带有类似目标区域预测框的图像，利用精确目标检测网络实现精确的目标检测，输出检测结果。


2.根据权利要求1所述的面向大尺度遥感图像的多类目标快速检测方法，其特征在于：步骤2中所述卷积特征提取器由第一卷积层、第二卷积层、第一串联线性整流函数链、第二串联线性整流函数链、第一Inception链与第二Inception链依次连接形成，其中所述第一串联线性整流函数链与第二串联线性整流函数链均分别由若干所述串联线性整流函数模块串联形成，所述第一Inception链与第二Inception链均分别由若干所述Inception模块串联形成。


3.根据权利要求2所述的面向大尺度遥感图像的多类目标快速检测方法，其特征在于：所述第一串联线性整流函数链由三个串联线性整流函数模块串联形成，所述第二串联线性整流函数链由四个串联线性整流函数模块串联形成，所述串联线性整流函数模块包括一个基础ReLU模块，在该基础ReLU模块的输入端与输出端均连接有一个1×1卷积层。


4.根据权利要求2或3所述的面向大尺度遥感图像的多类目标快速检测方法，其特征在于：所述第一Inception链与所述第二Inception链均由四个Inception模块串联而成。


5.根据权利要求1所述的面向大尺度遥感图像的多类目标快速检测方法，其特征在于：步骤3中所述多尺度目标提议网络的构建过程如下：
步骤3.1：通过三个建议分支预测多尺度类似目标区域，每个建议分支由三个检测层组成，并分别进行不同窗口大小的滑动操作，提取出每个滑动窗口位置的局部特征；
步骤3.2：在每个滑动窗口位置，预测出一个锚框；
步骤3.3：为每个检测层构造训练样本，将位于图像边界之外的预测区域框丢弃，并为剩余的区域框根据其交并比大小为其分配一个类标签；
步骤3.4：构建多尺度目标提议网络的整体损失函数，并对整体损失函...

【专利技术属性】
技术研发人员：李朋龙，丁忆，连蓉，马泽忠，李晓龙，罗鼎，肖禾，段松江，王岚，王亚林，钱进，刘朝晖，王小攀，魏文杰，谭攀，曾远文，张灿，范文武，秦成，张斌，
申请(专利权)人：中南大学，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：湖南;43