一种图像语义特征约束的遥感目标检测方法技术

本发明专利技术公开了一种图像语义特征约束的遥感目标检测方法，本发明专利技术方法包括：采用深度残差网络ResNet50和特征金字塔网络对输入图像进行特征提取，并融合得到多尺度的特征图输入中心估计模块，将中心估计模块输出、输入结合得到过滤掉负样本的图像语义特征图；利用提取到的图像语义特征约束任意方向锚点的生成，并通过旋转候选区域生成网络，在过滤掉负样本后的图像语义特征图中提取候选区域，通过旋转兴趣区域聚集层，为每个候选区域提取出大小统一的特征向量；分别利用两个全连接层分支完成分类和回归任务，得到输入的遥感图像中各个候选区域的检测结果和检测位置。本发明专利技术极大减少了计算成本，并提高了检测速度和检测准确率。

【技术实现步骤摘要】
一种图像语义特征约束的遥感目标检测方法
本专利技术涉及图像目标检测方法，具体涉及一种图像语义特征约束的遥感目标检测方法。
技术介绍
智能运输和对地观测的需求导致了遥感图像车辆检测大受关注。它旨在识别车辆的类别，并在遥感图像中准确定位每辆车辆。尽管已经为解决该任务付出了许多努力，但是由于遥感图像中的车辆的各种尺寸和外观，车辆检测仍然非常具有挑战性。特别地，检测具有任意方向的车辆也使其成为极其困难的任务，因为直接应用水平物体检测方法经常会导致感兴趣区域(RoIs)和车辆区域不匹配，从而极大地扩大了搜索空间。ShaoqingRen等发表的《FasterR-CNN:Towardsreal-timeobjectdetectionwithregionproposalnetworks》(inAdvancesinNeuralInformationProcessingSystems,2015,pp.91–99.)记载通过预设不同大小、不同长宽比的锚点(或初始估计的物体边框)，并基于预设的锚点回归图像中的物体位置的方式，在开放基准测试中被证明是有效的。任意本文档来自技高网...

【技术保护点】
1.一种图像语义特征约束的遥感目标检测方法，其特征在于，包括以下步骤：/n步骤1)：采用深度残差网络ResNet50和特征金字塔网络对输入图像进行特征提取，并进行融合得到融合多尺度信息的多尺度的特征图；/n步骤2)：将融合得到的多尺度的特征图通过中心估计模块对负样本进行过滤，将中心估计模块输出的中心特征图和输入中心估计模块的特征图两者结合以过滤掉负样本，得到过滤掉负样本后的图像语义特征图；/n步骤3)：利用提取到的图像语义特征约束任意方向锚点的生成，在过滤掉负样本后的图像语义特征图中生成锚，基于这部分生成的锚通过旋转候选区域生成网络得到候选区域，通过旋转兴趣区域聚集层，为每个候选区域提取出大小...

【技术特征摘要】
1.一种图像语义特征约束的遥感目标检测方法，其特征在于，包括以下步骤：
步骤1)：采用深度残差网络ResNet50和特征金字塔网络对输入图像进行特征提取，并进行融合得到融合多尺度信息的多尺度的特征图；
步骤2)：将融合得到的多尺度的特征图通过中心估计模块对负样本进行过滤，将中心估计模块输出的中心特征图和输入中心估计模块的特征图两者结合以过滤掉负样本，得到过滤掉负样本后的图像语义特征图；
步骤3)：利用提取到的图像语义特征约束任意方向锚点的生成，在过滤掉负样本后的图像语义特征图中生成锚，基于这部分生成的锚通过旋转候选区域生成网络得到候选区域，通过旋转兴趣区域聚集层，为每个候选区域提取出大小统一的特征向量；
步骤4)：针对每个候选区域提取出的大小统一的特征向量，分别利用两个全连接层分支完成分类和回归任务，得到输入的遥感图像中各个候选区域的检测结果和检测位置。


2.根据权利要求1所述的图像语义特征约束的遥感目标检测方法，其特征在于，步骤1)的详细步骤包括：下采样：通过深度残差网络ResNet50对输入的遥感图像进行下采样，将深度残差网络ResNet50的特征图大小不变的层称之为一个阶段，获得4个阶段的4种尺度的特征图C2，C3，C4，C5；上采样：将4种尺度的特征图C2，C3，C4，C5组成一个特征金字塔网络，将特征图C5使用双线性插值做2倍上采样，随后通过1*1卷积层固定特征维度为256，将特征图C4也通过1*1卷积层固定特征维度为256，最后将同样大小的两个阶段的特征图通过按元素相加得到融合之后的特征图F4；将特征图F4进行2倍上采样、固定特征维度256，再将特征图C3固定特征维度为256，两者按元素相加得到特征图F3；将特征图F3进行2倍上采样、固定特征维度256，再将特征图C2固定特征维度为256，两者按元素相加得到融合高阶特征和低阶特征的特征图F2，并将特征图F2作为融合多尺度信息的特征图输出。


3.根据权利要求1所述的图像语义特征约束的遥感目标检测方法，其特征在于，步骤2)中的中心估计模块由一个1*1卷积层和一个按元素运算的sigmoid激活层组成，用于将输入的融合多尺度信息的特征图转化成大小一致且体现正样本存在概率的中心特征图，并将输入的融合多尺度信息的特征图、中心特征图按元素相乘，得到的最终的特征图中负样本的区域元素数值接近0，而正样本区域的元素数值近乎保持不变。


4.根据权利要求3所述的图像语义特征约束的遥感目标检测方法，其特征在于，步骤2)之前还包括训练中心估计模块的步骤，且训练中心估计模块的过程中使用聚焦式损失函数FocalLoss监督该中心估计模块的分支，其中聚焦式损失函数FocalLoss的函数表达式如下：
fl＝-(1-p)αlog(p)
上式中，fl为聚焦式损失函数FocalLoss的函数值，p表示样本为正样本的概率，α为系数，其中正样本是指遥感图像中预设锚点与真实边框的交并比高于阈值的样本，负样本是指遥感图像中预设锚点与真实边框的交并比低于阈值的样本。


5.根据权利要求1所述的图像语义特征约束的遥感目标检测方法，其特征在于，步骤3)中的旋转候选区域生成网络包括3*3卷积层和两个1*1卷积层，所述旋转候选区域生成网络用于将特征图通过3*3卷积层输出得到同输入特征图的H和W一致的特征图，...

【专利技术属性】
技术研发人员：孙斌，马付严，李树涛，孙俊，
申请(专利权)人：湖南大学，富士通株式会社，
类型：发明
国别省市：湖南;43