形状自适应的旋转目标检测方法、系统、介质及计算设备技术方案

本发明专利技术涉及一种形状自适应的旋转目标检测方法、系统、介质及计算设备，其包括：获取目标检测网络的物体的输入图像及标签，通过骨架特征提取网络得到输入图像的多尺度特征图，多尺度特征图上所有的预测框作为样本；为样本分配正负标签，计算分配为正的样本的质量；将计算得到的正样本的质量作为损失的加权并计算损失，训练目标检测网络模型到损失趋于平稳后得到目标检测网络训练权重；输入待检测的目标图像，得到的权重预测待检测图像中的所需检测的目标，标出目标的定位框以及分类。本发明专利技术能自适应物体形状信息来动态选择正负样本并对选取的正样本的质量进行估计，以提升模型对物体尤其是狭长物体的检测性能，可以在计算机视觉领域中应用。觉领域中应用。觉领域中应用。

【技术实现步骤摘要】
形状自适应的旋转目标检测方法、系统、介质及计算设备


[0001]本专利技术涉及计算机视觉领域，特别是关于一种形状自适应的旋转目标检测方法、系统、介质及计算设备。

技术介绍

[0002]对物体进行识别和定位是计算机视觉一项重要的任务之一，随着GPU硬件条件的提高和海量数据的增长，基于深度学习的目标检测方法取得了巨大的进步。现有的目标检测方法多使用垂直框对物体进行定位。但是对于一些特定的场景或者目标，如文字、遥感等带有任意角度的目标，使用垂直定位框会框住较多的背景信息，无法精准定位目标。对于密集排列的狭长目标，一些定位框也容易在非极大值抑制的过程中被筛掉，造成目标漏检。因此，对于角度任意的目标，使用旋转定位框成为一种研究热点，并取得了显著的成效。在一些具体的检测场景，如多类别任意角度的遥感目标检测，存在着目标之间尺度差别大、背景复杂、小目标多，狭长目标多等问题。在现有的基于旋转框的目标检测方法中，对于目标的尺度差别大、背景复杂、小目标检测困难等问题提出了有效的解决方案，但是少有工作研究目标之间的长宽比差别大的问题。目标之间长宽比差别大会造成在正负样本选取的困难，进而影响目标的检测性能。
[0003]在ATSS(Zhang,S.；Chi,C.；Yao,Y.；Lei,Z.；and Li,S.Z.“Bridging the Gap Between Anchor
‑
Based and Anchor
‑
Free Detection via Adaptive Training Sample Selection”.In Proc.IEEE Conf.Comput.Vis.Pattern Recognit.(CVPR),2017,pp.9756
‑
9765)中提出，正负样本的选择(这里的正负样本选择指的是对在所有的预测框样本中，选择一些样本作为正样本，剩下的为负样本；即样本指的是预测框)对模型的检测性能起着至关重要的作用，现有的正负样本选择方法可以大致分为静态选择与动态选择两种类型。静态选择具有简单直观的特性，因此在早期的目标检测方法中多采用这种方式，如经典的目标检测方法FasterRCNN(Faster RCNN(S.Ren,K.He,R.Girshick and J.Sun,"Faster R
‑
CNN:Towards Real
‑
Time Object Detection with Region Proposal Networks,"in IEEE Transactions on Pattern Analysis and Machine Intelligence,vol.39,no.6,pp.1137
‑
1149,1June 2017)。由于静态选择正负的方式忽略了目标相交区域的实际形状和内容，许多研究工作聚焦于动态选择的研究。尽管现有动态选择正负样本的方式大大提升了目标检测的性能，但是依旧存在着如下问题：(1)物体的形状信息被忽略了，导致一些具有特殊形状如极狭长目标检测困难；(2)对于选定的正样本以统一的方式处理，没有做质量上的区分；(3)可以应用的目标检测框架有限，只能应用于基于锚框或无锚框两类方法中的一类。
[0004]综合上述分析，研究能有效选择正负样本且对正样本做质量区分的方法，显得尤为重要。因此，亟需一种新的法来进一步提高对于旋转目标检测的准确度。

技术实现思路

[0005]针对上述问题，本专利技术的目的是提供一种形状自适应的旋转目标检测方法、系统、介质及计算设备，其能自适应物体形状信息来动态选择正负样本并对选取的正样本的质量进行估计，以提升模型对物体尤其是狭长物体的检测性能。
[0006]为实现上述目的，本专利技术采取以下技术方案：一种形状自适应的旋转目标检测方法，其包括：获取目标检测网络的物体的输入图像及标签，并通过骨架特征提取网络得到所述输入图像的多尺度特征图，所述多尺度特征图上所有的预测框作为样本；为所述样本分配正负标签，计算分配为正的所述样本的质量；将计算得到的正样本的质量作为损失的加权并计算损失，训练目标检测网络模型到损失趋于平稳后，得到目标检测网络训练权重；输入待检测的目标图像，通过训练得到的权重预测待检测图像中的所需检测的目标，标出目标的定位框以及分类。
[0007]进一步，所述通过所述骨架特征提取网络得到所述输入图像的多尺度特征图，包括：采用特征金字塔网络提取输入图像的多尺度特征图。
[0008]进一步，所述为所述样本分配正负标签，包括：
[0009]获取候选预测框，计算所述候选预测框与对应的真值框的交并比值；
[0010]计算所述交并比值的均值和方差以及每个目标的所述真值框的长宽比；
[0011]计算每个目标动态的交并比阈值，通过所述交并比阈值分配其候选预测框是正样本还是负样本。
[0012]进一步，所述通过所述交并比阈值分配其候选预测框是正样本还是负样本，包括：若所述候选预测框与所述真值框的所述交并比值大于等于所述交并比阈值，则分配该所述候选预测框为正样本，反之，分配所述候选预测框为负样本。
[0013]进一步，所述计算分配为正的所述样本的质量，采用形状自适应正样本质量衡量进行计算，包括：
[0014]计算每个正样本的中心点与对应真值框的中心点的正则形状距离；
[0015]依据计算出的所述正则形状距离计算该正样本的质量。
[0016]进一步，所述将计算得到的正样本的质量作为损失的加权并计算损失，包括：采用边界中心损失函数与分类和回归损失相加得到损失。
[0017]进一步，所述边界中心损失函数，包括：
[0018]选择预测框和真值框的左上角、右上角、左下角、右下角和中心点，其坐标用p
i
和g
i
表示，索引i＝1,2,...,5；边界中心损失被用来约束边界和中心点，所述边界中心损失函数为：
[0019][0020]其中，L
s
表示Smooth L1函数。
[0021]一种形状自适应的旋转目标检测系统，其包括：输入模块、正样本质量计算模块、训练模块和识别模块；所述输入模块，用于获取目标检测网络的物体的输入图像及标签，并通过骨架特征提取网络得到所述输入图像的多尺度特征图，多尺度特征图上所有的预测框作为样本；所述正样本质量计算模块，为所述样本分配正负标签，计算分配为正的所述样本
的质量；所述训练模块，将计算得到的正样本的质量作为损失的加权并计算损失，训练目标检测网络模型到损失趋于平稳后，得到目标检测网络训练权重；所述识别模块，用于将输入待检测的目标图像，通过训练得到的权重预测待检测图像中的所需检测的目标，标出目标的定位框以及分类。
[0022]一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述方法中的任一方法。
[0023]一种计算设备，其包括：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种形状自适应的旋转目标检测方法，其特征在于，包括：获取目标检测网络的物体的输入图像及标签，并通过骨架特征提取网络得到所述输入图像的多尺度特征图，所述多尺度特征图上所有的预测框作为样本；为所述样本分配正负标签，计算分配为正的所述样本的质量；将计算得到的正样本的质量作为损失的加权并计算损失，训练目标检测网络模型到损失趋于平稳后，得到目标检测网络训练权重；输入待检测的目标图像，通过训练得到的权重预测待检测图像中的所需检测的目标，标出目标的定位框以及分类。2.如权利要求1所述旋转目标检测方法，其特征在于，所述通过所述骨架特征提取网络得到所述输入图像的多尺度特征图，包括：采用特征金字塔网络提取输入图像的多尺度特征图。3.如权利要求1所述旋转目标检测方法，其特征在于，所述为所述样本分配正负标签，包括：获取候选预测框，计算所述候选预测框与对应的真值框的交并比值；计算所述交并比值的均值和方差以及每个目标的所述真值框的长宽比；计算每个目标动态的交并比阈值，通过所述交并比阈值分配其候选预测框是正样本还是负样本。4.如权利要求3所述旋转目标检测方法，其特征在于，所述通过所述交并比阈值分配其候选预测框是正样本还是负样本，包括：若所述候选预测框与所述真值框的所述交并比值大于等于所述交并比阈值，则分配该所述候选预测框为正样本，反之，分配所述候选预测框为负样本。5.如权利要求1所述旋转目标检测方法，其特征在于，所述计算分配为正的所述样本的质量，采用形状自适应正样本质量衡量进行计算，包括：计算每个正样本的中心点与对应真值框的中心点的正则形状距离；依据计算出的所述正则形状距离计算该正样本的质量。6.如权利要求1所述旋转目标检测方法，其特征在于，所述将计算得到的正样本的...

【专利技术属性】
技术研发人员：薛健，侯利萍，吕科，李雨秋，
申请(专利权)人：中国科学院大学，
类型：发明
国别省市：