基于最优锚点尺度的卷积神经网络遥感影像目标检测方法技术

本发明专利技术涉及一种基于最优目标锚点尺度的卷积神经网络遥感影像目标检测方法，属于遥感影像目标识别及信息提取技术领域。本发明专利技术首先提出了一种遥感影像最优目标锚点尺度学习方法，可自适应获得不同目标检测任务的最优目标锚点尺度；然后基于最优目标锚点尺度学习方法，设计了一种基于最优目标锚点尺度的卷积神经网络遥感影像目标检测架构，可根据不同目标检测任务自适应调整锚点尺度，良好的耦合不同类型的目标尺度，实现对不同目标检测任务的精确检测。本发明专利技术具有简单、可靠、精度高、易于实现的特点。本发明专利技术可广泛运用于遥感影像目标识别及信息提取场合。别及信息提取场合。别及信息提取场合。

【技术实现步骤摘要】
基于最优锚点尺度的卷积神经网络遥感影像目标检测方法


[0001]本专利技术涉及一种基于最优锚点尺度的卷积神经网络遥感影像目标检测方法，属于遥感影像目标识别及信息提取


技术介绍

[0002]目标检测作为高分辨率遥感影像信息自动提取、分析和理解的一项关键技术，在高分对地观测系统应用于军事侦察、灾害监测和精确打击等方面扮演着重要角色。遥感影像目标检测是指检测出影像中感兴趣的目标对象，并对感兴趣的目标对象进行精确定位的过程。针对目标检测过程中目标特征生成方式，现有目标检测方法分为传统的目标检测方法和基于卷积神经网络的目标检测方法。其中传统的目标检测方法需要认为设计目标特征，进行影像目标检测；基于卷积神经网络的目标检测方法可以基于训练数据自动学习与提取目标特征，实现影像目标检测。
[0003]传统的目标检测检测方法通常采用
①
提取目标候选区域
‑
>
②
获得目标候选区域特征
‑
>
③
基于目标候选区域特征进行分类，实现影像中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于最优锚点尺度的卷积神经网络遥感影像目标检测方法，其特征在于，包括以下步骤：S1：自适应目标锚点尺度学习：基于目标锚点对训练数据集最优覆盖率准则，使用k均值聚类算法对不同类型的目标尺度聚类，获得不同目标检测任务的最优目标锚点尺度；基于k均值聚类算法对训练数据集中目标尺度进行聚类，获得目标锚点的尺度大小，其中聚类过程基于目标与锚点间的交并比进行相似度度量，对目标锚点训练数据集覆盖率与测试集检测结果精度进行统计分析，当目标锚点可覆盖训练数据集80％的目标时对应的测试集目标检测结果精度最高，基于该统计准则，获得计算最优目标锚点尺度的目标函数：Avg
‑
IOU≥0.8
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中：n是训练数据集中目标数目；IOU
imax
是标签为i的目标与k个锚点间的最大交并比；Avg
‑
IOU为训练集中所有目标与锚点交并比的平均值；S2：自适应目标锚点尺度的卷积神经网络目标检测：基于最优目标锚点尺度的卷积神经网络遥感影像目标检测架构，实现对不同目标检测任务的精确检测；架构的训练损失计算如下：Loss＝L
coord
+L
class
+L
obj
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)(3)(3)(3)其中：Loss为目标检测架构的训练损失；L
coord
、L
class
和L
obj
分别为目标坐标、类别和置信度损失；m为特征图的宽或高；n为在特征图的每个位置上锚点的数目；表示在特征图(i,j)位置上的标签为k的锚点是否为正样本，如果是正样本为1，否则为0；w
ij
和h
ij
为在特征图(i,j)位置上的标签为k的锚点对应的真值目标区域的宽与高；(x
ij
,y
ij
,w
ij
,h
ij
)为真值目标区域的中心点坐标和宽与高；为基于标签为k的锚点生成的目标区域中心点坐标和宽与高的网络架构的预测值；w
a
和h
a
为标签为k的锚点的宽与高；r为网络架构的
分类数；为网络测架构对生成的目标区域不同类别的预测值；为基于标签为k的锚点生成的目标区域为目标的置信度预测值；在目标检测架构测试阶段，使用公式(7)对网络架构中关于目标区域中心点坐标、置信度和类别预测值进行处理；使用公式(8)
‑
(...

【专利技术属性】
技术研发人员：董志鹏，刘焱雄，冯义楷，王艳丽，陈义兰，
申请(专利权)人：自然资源部第一海洋研究所，
类型：发明
国别省市：