基于原型卷积神经网络的遥感图像小样本目标检测方法技术

本发明专利技术提供了一种基于原型卷积神经网络的遥感图像小样本目标检测方法。构建了主要包括特征提取与类别原型获取模块、原型引导RPN模块、重定向特征图模块和检测器模块的目标检测网络，并先在包含大量标注样本的基类数据集上进行网络模型基础学习，再在一个平衡的子数据集上对网络模型进行微调，最后经过非极大值抑制等后处理操作实现小样本遥感图像的多类目标检测。本发明专利技术能够利用少量新类标注数据从复杂背景的光学遥感图像中快速、准确地检测出不同类型的目标，具有较高的检测精度和较快的检测速度。

【技术实现步骤摘要】
基于原型卷积神经网络的遥感图像小样本目标检测方法
本专利技术属遥感图像处理
，具体涉及一种基于原型卷积神经网络的遥感图像小样本目标检测方法，可以应用于标注样本数据极少的小样本情况下的遥感图像目标检测。
技术介绍
随着卫星遥感技术的不断发展，海量的遥感图像的获取已经变得越来越容易。然而，遥感图像的标注工作需要耗费大量的人力和财力。此外，有些类别的目标比较稀有，存在数据难以获取的问题。因此，如何利用少量标注样本，实现遥感图像的目标检测成为目前亟待解决的问题之一。目前已有的小样本目标检测方法，概括起来可以分为基于元学习的目标检测、基于度量学习的目标检测和基于微调的目标检测三大类。基于元学习的目标检测主要是通过每次迭代构建不同的任务，使得网络具有较强的泛化性能，遇到新类别新任务时能够快速适应，从而实现小样本的目标检测任务。基于度量学习的目标检测主要是通过学习一个度量空间，在此空间中，相同类别的目标“距离”越近越好，不同类别的目标“距离”越远越好，这里的“距离”是通过某些度量方式所得到的，比如常用的欧式距离、cosine相似度等。基于微调的本文档来自技高网...

【技术保护点】
1.一种基于原型卷积神经网络的遥感图像小样本目标检测方法，其特征在于步骤如下：/n步骤1，基类训练数据准备：以基类训练图像数据集D

【技术特征摘要】
1.一种基于原型卷积神经网络的遥感图像小样本目标检测方法，其特征在于步骤如下：
步骤1，基类训练数据准备：以基类训练图像数据集Dbase中所有类别的目标实例图像构成支持集图像，其中，目标实例图像为图像中目标实例包围框内的图像块；从基类训练图像数据集Dbase中随机抽取包含任意类别和数量目标实例的整幅图像作为查询集图像；然后，对所有支持集图像和查询集图像进行预处理操作，预处理后的图像作为训练数据；所述的预处理操作包括对所有图像进行归一化处理、将支持集中的图像的长宽调整为M×M、将查询集中的图像的长宽调整为M′×M′；M′的取值为基类训练图像尺寸的0.8倍至1.2倍，M的取值为M′的0.28倍；所述的基类训练图像数据集为遥感图像目标检测DIOR数据集；
步骤2，构建目标检测网络：目标检测网络主要包括特征提取与类别原型获取模块、原型引导RPN模块、重定向特征图模块和检测器模块；
所述的特征提取与类别原型获取模块的具体实现过程为：首先，输入支持集图像和查询集图像，利用特征提取骨干网络B分别对其进行特征提取，得到其对应的特征图，记支持集图像的特征图为{Fs,1,Fs,2,...,Fs,C}，查询集图像的特征图为Fq，其中，特征提取骨干网络B采用的是ResNet-101网络的前四个阶段的卷积层，Fs,i表示第i个类别的支持图像的特征图，i＝1,2,…,C，C为类别数；然后，对支持集图像的特征图{Fs,1,Fs,2,...,Fs,C}进行全局平均池化操作，得到每个类别的原型向量{p1,p2,...,pC}，pi表示第i个类别的原型向量，i＝1,2,…,C；
所述的原型引导RPN模块用于生成可能包含目标的感兴趣区域，具体实现过程为：将特征提取与类别原型获取模块得到的类别原型向量{p1,p2,...,pC}输入到一个三层的全连接网络，输出一个长度和RPN分类器所有卷积核展开后长度相同的向量，将该向量按照和RPN分类器的卷积核相同的形状进行重组，构成一组新的卷积核参数，以该参数作为辅助分类器的参数，利用辅助分类器和RPN分类器分别对查询集图像的特征图中的锚点进行前-背景打分，并将得到的两个分数相加作为锚点的前景目标得分；然后，按照RPN的锚点划分规则确定每个锚点的标签，包括前景类别、背景类别和忽略样例；将前景目标得分从高到低排序，利用RPN回归器对得分较高的r个锚点进行调...

【专利技术属性】
技术研发人员：程塨，施佩珍，闫博唯，姚西文，韩军伟，郭雷，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61