【技术实现步骤摘要】
基于高斯分布的旋转目标检测方法和装置
[0001]本申请涉及计算机
,特别是涉及一种基于高斯分布的旋转目标检测方法、装置和设备。
技术介绍
[0002]作为计算机视觉领域中最基本和最具挑战性的问题之一,目标检测在近年来受到了极大关注,其任务涉及定位(预定义类别的目标在给定遥感影像中的位置在哪里?)以及识别(这些目标属于哪些预定义类别?),需要通过回归精确定位和预测正确的类别标签,将预定义类别的目标与给定影像区分开来。目标检测的发展历程主要可以分为两个阶段:传统目标检测阶段和基于深度学习的目标检测阶段。
[0003]传统目标检测算法主要包含三个部分:特征提取、分类器训练和分类器判别。目标检测之前,首先需要利用标注的训练样本提取特征并进行分类器的训练。然后针对输入图像进行目标检测时,通常采用滑动窗口的方式,在每个滑动窗口提取相应的特征输入给训练好的分类器,判别该滑动位置是否存在目标,遍历整幅图像之后最终得到图像上目标所在的位置。因此,目标判别使用的特征描述和分类器是目标检测算法两个重要内容。常用的特征描述主要有Haar小波特征(Haarlike features)、梯度方向直方图(Histograms of Oriented Gradients,HOG)、局部二值模式(Local Binary Pattern,LBP)等,分类器主要有支持向量机(Support Vector Machines,SVM)、Boosting和随机森林(Random Forest,RF)等。
[0004]随着传统目标检测的 ...
【技术保护点】
【技术特征摘要】
1.一种基于高斯分布的旋转目标检测方法,其特征在于,包括:获取图像数据,采用旋转框标注所述图像数据中的目标,并根据所述图像数据,构建训练数据集以及测试数据集;根据深度残差网络、特征金字塔网络、分类子网络以及回归子网络,构建目标预检测模型;采用二维高斯分布代替所述旋转框对目标进行表示,并设计基于二维高斯分布的损失函数;根据所述损失函数以及所述训练数据集,对所述目标预检测模型进行训练,得到旋转目标检测模型;根据所述旋转目标检测模型,对所述测试数据集进行测试,得到最终目标检测结果。2.根据权利要求1所述的方法,其特征在于,采用二维高斯分布代替所述旋转框对目标进行表示包括:采用旋转框(x,y,w,h,θ)标注目标,其中,(x,y)表示旋转框中心点在原图像中的坐标,w,h分别表示旋转框的长边和短边,θ表示旋转框长边与原图水平向右的方向的夹角;二维高斯分布包含5个不同的参数(μ
x
,μ
y
,σ
x
,σ
y
,σ
xy
),其中:μ=(μ
x
,μ
y
)由旋转框(x,y,w,h,θ)转换为二维高斯分布的过程如下:(μ
x
,μ
y
)=(x,y)即,σ
x
,σ
y
,σ
xy
可以表示为:可以表示为:可以表示为:3.根据权利要求2所述的方法,其特征在于,设计基于二维高斯分布的损失函数包括:所述损失函数采用多任务联合损失函数;L=L
cls
+λL
reg
式中,L为多任务联合损失函数,L
cls
为分类损失,L
reg
为基于高斯分布的回归损失,λ为可调节的超参数;
c
n
=[c
n(0)
,c
n(1)
,c
n(2)
,
…
,c
n(C)
]c
n(0)
∈[0,1]c
n(i)
∈[0,1]式中,N
p
为预测的结果的数量,N
pos
为正样本的数量,γ为可调的超参数;为正样本的数量,γ为可调的超参数;为正样本的数量,γ为可调的超参数;为正样本的数量,γ为可调的超参数;为正样本的数量,γ为可调的超参数;为正样本的数量,γ为可调的超参数;为正样本的数量,γ为可调的超参数;式中,obj
n
表示一个二进制值,L1(a,b)表示向量a和b的L1范数,(μ
xp
,μ
yp
,σ
xp
,σ
yp
,σ
xyp
)表示网络预测的目标高斯分布表示,(μ
xt
,μ
yt
,σ
xt
,σ
yt
,σ
xyt
)表示目标高斯分布表示真值,(x
a
,y
a
,w
a
,h
a
)表示当前锚框的中心点和宽...
【专利技术属性】
技术研发人员:苏昂,王堃,李璋,滕锡超,
申请(专利权)人:中国人民解放军国防科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。