一种基于FasterRCNN的遥感影像目标检测方法技术

本发明专利技术为一种基于FasterRCNN的遥感影像目标检测方法，涉及深度学习、目标检测技术领域，解决了传统FasterRCNN模型直接应用于遥感影像目标检测会导致小目标漏检、重复检测、误检、边框不准等情况的问题，具体包括步骤S1,获取遥感影像数据集，按照预设比例将所述遥感影像数据集划分为训练集、验证集和测试集；步骤S2，修改FasterRCNN模型的特征提取网络，进行多尺度特征融合；步骤S3，根据所述遥感影像数据集特性调整初始先验框参数以及分类后NMS的IOU值；步骤S4，将训练集和验证集输入模型训练；步骤S5，将待检测的遥感影像输入到训练好的改进FasterRCNN模型中，得到检测结果，本技术方案利于检测小目标，目标边框更准确；调整了分类后NMS的IOU阈值，改善了小目标重复检测的问题。的问题。的问题。

【技术实现步骤摘要】
一种基于FasterRCNN的遥感影像目标检测方法


[0001]本专利技术涉及深度学习目标检测
，特别涉及一种基于FasterRCNN的遥感影像目标检测方法。

技术介绍

[0002]随着卫星遥感技术的飞速发展，高分辨率的遥感影像日益丰富，对遥感影像自动解译提出了更高的需求；遥感影像目标检测在军事国防、交通监管等领域具有重要应用价值，传统的目标检测方法采用人工设计的特征难以适应复杂的背景和多样的检测目标，基于深度学习的目标检测算法成为当前研究的主流。
[0003]现有技术中，基于深度学习的目标检测算法主要分为两类：Two stage和One stage；其中，One stage模型直接在神经网路中提取特征来预测物体的类别和位置，运行速度快，但精度较低，代表算法有YOLO系列、SSD等；
[0004]另外，Two stage模型先由算法生成样本的候选框，再通过卷积神经网络进行样本分类，相比于One stage模型更加复杂且速度较慢，但精度得到大幅提高，主要包括Faster RCNN、Mask RCNN等。<br/>[0005]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Faster RCNN的遥感影像目标检测方法，其特征在于，包括如下步骤:步骤S1,获取遥感影像数据集，按照预设比例将所述遥感影像数据集划分为训练集、验证集和测试集；步骤S2，修改FasterRCNN模型的特征提取网络，进行多尺度特征融合；步骤S3，根据所述遥感影像数据集特性调整初始先验框参数以及分类后NMS的IOU值；步骤S4，将训练集和验证集输入模型训练；步骤S5，将待检测的遥感影像输入到训练好的改进FasterRCNN模型中，得到检测结果。2.如权利要求1所述的一种基于Faster RCNN的遥感影像目标检测方法，其特征在于，所述遥感影像数据集为基于预设的格式；所述训练集、所述验证集和所述测试集的预设比例为：8:1:1。3.如权利要求2所述的一种基于Faster RCNN的遥感影像目标检测方法，其特征在于，在步骤S2中，所述特征提取网络以VGG16网络为基础，分别对第三卷积层和第五卷积层的结果进行最大池化和上采样使之与第四卷积层的结果尺寸相同，并通过一个预设的卷积层将后三层特征通道数调整为相同，并经过relu激活后将上述特征沿着通道维度拼接在一起，形成最终的特征图。4.如权利要求3所述的一种基于Faster RCNN的遥感影像目标检测方法，其特征在于，在步骤S3中，还包括步骤S3.1；在所述步骤S3.1中，RPN网络的先验框有三种长宽比，并在所述长宽比基础之上增加至少两组长宽比，以此设定所述先验框尺寸，使得更适用于小目标的检测。5.如权利要求4所述的一种基于Faster RCNN的遥感影像目标检测方法，其特征在于，还包括步骤S3.2，其中，ROI
‑
Head网络能够获得每个边框的类别以及回归参数，且其在获得每个边框的类别和回归参数后，会逐类别进行NMS，即非极大抑制；其中，若两个同类别的先验框的IOU大于预定的阈值，直接删除置信度相对较小的边框；若IOU阈值过大，相对较小的目标出现多个边框时，调整降低所述IOU阈值；其中，若IOU阈值过大，则相对较小的目标出现会出现多个边框，由于遥感影像为俯视成像，目标重叠概率较小，如此调整降低所述IOU阈值。6.如权利要求...

【专利技术属性】
技术研发人员：郭茜，张刘，孙彦瑞，
申请(专利权)人：苏州吉天星舟空间技术有限公司，
类型：发明
国别省市：