基于风格内容解耦的跨域遥感图像目标检测方法技术

本发明专利技术属于图像信息处理技术领域，提供了一种基于风格内容解耦的跨域遥感图像目标检测方法。本发明专利技术的端到端训练的跨域遥感图像目标检测方法利用了自适应实例归一化的方式获得多域图像，并且进一步将解耦获得的内容特征编码送入目标检测网络来进行目标检测。本方法对于不同域的遥感图像有较好的泛化性，可以得到理想的目标检测结果。到理想的目标检测结果。到理想的目标检测结果。

【技术实现步骤摘要】
基于风格内容解耦的跨域遥感图像目标检测方法


[0001]本专利技术属于图像信息处理
，特别是涉及跨域遥感图像目标检测的方法。

技术介绍

[0002]目前，与本专利相关的方法包括两方面：第一是基于深度学习的遥感图像目标检测算法；第二是风格内容解耦的深度学习算法。
[0003]基于深度学习的目标检测方法主要分为两类：一阶段目标检测(one
‑
stage) 和两阶段目标检测(two
‑
stage)两类。一阶段目标检测算法速度快但是精度相对较低，两阶段目标检测算法速度慢但是精度相对较高。这种大多设计特定的网络结构用于提取可能是目标的区域，Ren等人在文献《Faster R
‑
CNN:TowardsReal
‑
Time Object Detection with Region Proposal Networks》中提出的网络就设计了一个用于提取可能是目标区域的RPN网络，然后再将这些区域进行分类，有了特定的区域进行辅助，因此精度较高，但也存在检测速度较慢的问题；一阶段目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于风格内容解耦的跨域遥感图像目标检测方法，其特征在于，步骤如下：在所设计的编码器基础上，采用YOLO目标检测框架中的解码器进行遥感图像的目标检测，在网络训练阶段，利用Focal Loss损失函数来平衡正负样本对应的损失函数值：其中，N1为一个训练批次中目标的数目，Y
xyc
为图片真值，为网络预测值α和β为网络的两个超参数用于规定锚框分类过程中正负样本的平衡程度；锚框回归分支实际上预测的是人为规定的锚框与真值之间的位置和大小的差距；现设真值锚框为(x,y,h,w)，四个值分别代表锚框位置的横坐标、纵坐标、锚框高度和宽度；人为规定的锚框为则网络需要预测：需要预测：利用如下损失函数来监督网络：利用如下损失函数来监督网络：利用如下损失函数来监督网络：其中，N2为与第j个真值框重叠度大于阈值的预测框数目；为网络的对第i个符合要求锚框的预测值，与第j个真值框重叠度大于阈值；t
mj
为对应真值，(x
j
,y
j
,h
j
,w
j
)为第j个真值锚框的参数；为第i个符合要求的人为规定锚框的参数；在网络对于目标检测总的损失函数L
detect
为：L
detect
＝L
class
+L
loc
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)其中，L
class
和L
loc
为公式中规定的损失函数；提出一个基于风格内容解耦的多域遥感图像目标检测任务的方法，通过将来自不同域的图像进行风格内容的解耦以及重组来获得多域图像，并且使用通过解耦获得的图像内容编码来进行遥感图像目标检测；因此，仅仅使用两个不同域的图像进行风格与内容的解耦与互换，并在此基础上进行监督编码器的收敛，就可获得特征提取能力优秀的特征提取器与对应地特征空间，并在此基础上进行遥感目标检测；通过使用自适应实例归一化，将一幅图像的风格与内容进行解耦，获得一幅图像的风格与内容对应的特征向量，然后将对应的特征向量与来自不同域的图像的风格与内容对应的特征向量进行呼唤，就可获得多域的遥感图像；对于生成多域遥感图像使用相应的损失进行约束；之后将原始遥感图像的与风格解耦的内容特征编码送入目标检测网络中进行有监督的目标检测，最终通过训练学习获得泛化性优秀的遥感图像目标检测模型；通过对于输入的内容图像进行实例级别的归一化，以及对应地对归一化之后的内容图像，通过使用风格图像的均值与方差参数获得风格图像的风...

【专利技术属性】
技术研发人员：赵文达，杨瑞凯，祝嘉文，徐从安，姚力波，刘瑜，何友，卢湖川，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：