【技术实现步骤摘要】
一种基于权重字典学习的小样本遥感目标检测方法及系统
本专利技术涉及遥感图像目标检测,具体涉及一种基于权重字典学习的小样本遥感目标检测方法及系统。
技术介绍
自动化遥感图像目标检测技术可以自动地定位、识别静态遥感图像中的感兴趣目标。基于深度学习的遥感图像目标检测方法取得了飞速地发展,但是,这类基于深度学习的遥感图像目标检测方法仍存在一定的局限性。基于深度学习的遥感图像目标检测模型依赖大量的训练样本。这些模型只有在大量的训练样本上经过数万次甚至更多的训练迭代才能取得很好的性能,而当训练样本不足时,这些模型很容易发生过拟合,在测试数据上的性能会变差。况且,收集大量的训练样本,并对这些样本进行标注,非常地费时费力,而且一些目标,如新型号的飞机,可能没有足够的样本来构建数据集,这就使得基于深度学习的遥感图像目标检测方法难以应用于这些样本不足的目标。此外,现实中的视觉概念往往服从长尾分布,即人们普遍关注的视觉概念样本是比较重组的,凡是新兴的视觉概念在不断地增加,这些新兴视觉概念的样本往往很少,因此基于深度学习的目标检测方法也很难 ...
【技术保护点】
1.一种基于权重字典学习的小样本遥感目标检测方法,其特征在于,包括:/n获取待分类的遥感图像数据;/n将所述数据带入预先训练的目标检测模型中得到所述遥感图像对应的目标类别;/n其中,所述目标检测模型利用小样本数据基于权重字典学习训练得到。/n
【技术特征摘要】
1.一种基于权重字典学习的小样本遥感目标检测方法,其特征在于,包括:
获取待分类的遥感图像数据;
将所述数据带入预先训练的目标检测模型中得到所述遥感图像对应的目标类别;
其中,所述目标检测模型利用小样本数据基于权重字典学习训练得到。
2.如权利要求1所述的目标检测方法,其特征在于,所述目标检测模型的训练包括:
基于带有目标类别的历史遥感图像数据构建目标检测数据集;
将所述遥感图像目标检测数据集划分为源类数据集与目标类数据集;
利用所述源数据集进行训练得到单阶段目标检测模型,并基于所述单阶段目标模型的卷积层参数构建参数字典,为参数字典中的每个参数设置一个对应的字典系数,基于所述参数字典与对应的字典系数构建基于权重字典的目标检测模型;
利用所述目标类数据集对所述基于权重字典的目标检测模型进行训练,得到最优的目标检测模型;
优选的,所述将所述遥感图像目标检测数据集划分为源类数据集与目标类数据集,包括:
将遥感图像目标检测数据集中的目标类别划分为源类与目标类;
将同时包含源类和目标类的目标的遥感图像从数据集中丢弃;
对数据集中剩余的遥感图像,将仅包含源类目标的图像划分为源数据集,将仅包含目标类目标的图像划分为目标数据集;
优选的,所述利用所述源数据集进行训练得到单阶段目标检测模型,并基于所述单阶段目标模型的卷积层参数构建参数字典,为参数字典中的每个参数设置一个对应的字典系数,基于所述参数字典与对应的字典系数构建基于权重字典的目标检测模型,包括:
将所述源数据集划分为训练集和测试集;
利用所述训练集中的样本对单阶段目标检测模型Ds进行训练,并利用测试集中的样本进行测试,直至在测试集所有的样本上达到最好的测试性能;
然后以所述单阶段目标检测Ds除最后用于确定目标类别和位置的层外的所有卷积层参数φ作为参数字典;
对参数字典φ中的每个字典参数设置一个对应的字典系数w;其中字典系数的初值随机确定;
使用由所有卷积层参数φ构成的参数字典与对应的字典系数w构建一个基于字典的目标检测模型Dd;
其中,所述参数字典φ是固定的,字典系数w和目标检测模型Dd确定的分类、回归层参数θ可以被修改,且字典系数w的参数量远小于参数字典的参数量。
3.如权利要求2所述的目标检测方法,其特征在于,所述参数字典φ中的参数由所有的卷积层的参数构成;
参数字典φ中每个卷积层的参数是形状为C×N×k×k的张量。
4.如权利要求3所述的目标检测方法,其特征在于,所述使用由所有卷积层参数φ构成的参数字典与对应的字典系数w构建一个基于字典的目标检测模型Dd,包括:
以参数字典φ中一个形状为C×N×k×k的初始卷积层Convs为字典;
将初始卷积层Convs分解为C个形状为N×k×k的子张量;
对初始卷积层Convs中所有子张量进行线性组合构成目标卷积层中的每个子张量Td,以每个子张量为卷积核,并为每个卷积核建立字典系数;
基于子张量Td和对应的字典系数构建目标卷积层Co...
【专利技术属性】
技术研发人员:陈凯强,张跃,许光銮,张腾飞,戴威,王雅珊,周琳,
申请(专利权)人:中国科学院空天信息创新研究院,
类型:发明
国别省市:北京;11
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。