一种基于小样本学习的遥感目标检测方法技术

本发明专利技术涉及遥感影像处理领域，特别涉及一种基于小样本学习的遥感目标检测方法，将待检遥感影像输入特征提取网络，通过多次卷积网络获取高层次的语义特征，将多个层次的特征输入多尺度特征提取模块获取不同尺度上的语义特征；将特征图层输入特征对齐模块，对初步获取的检测框的位置信息和和类别信息；对齐卷积在传统卷积模块的基础上添加了一个偏移字段，这样可以变换轴对齐的卷积将给定位置的特征转换为任意方向。本发明专利技术的目的是提供一种基于小样本学习的遥感目标检测方法，具有大幅降低参数量和计算成本的优点。数量和计算成本的优点。数量和计算成本的优点。

【技术实现步骤摘要】
一种基于小样本学习的遥感目标检测方法


[0001]本专利技术涉及遥感影像处理领域，特别涉及一种基于小样本学习的遥感目标检测方法。

技术介绍

[0002]近年来，在所有基于机器学习的目标检测方法中，深度学习方法尤其是卷积神经网络(CNN)由于强大的特征提取CNN模型的能力，基于CNN已经开发了大量的可应用与光学和遥感影像的目标检测方法，其中优秀的方法包括Faster R
‑
CNN、You
‑
Only
‑
Look
‑
Once(YOLO)和单次检测器。在遥感领域，最近的研究大多使用这些流行的方法来构建他们的方法基于深度学习的架构。
[0003]基于深度学习的遥感图像目标检测技术取得了突破性进展，然而这些方法有一个共同的问题：需要一个大规模、多样化的数据集来训练一个深度神经网络模型。对于现有方法来说候选框的任何调整和识别类型的变化需要投入进行重新调整，需要使用大量手动标注的新的遥感目标识别数据集，这些方法需要大量的时间来在新收集的数据集上重新训练他们的模型。另一方面，训练一个只有几个样本的模型新的类往往会导致模型遭受过拟合问题，泛化能力严重降低。
[0004]针对这一问题，基于小样本学习的目标检测技术应运而生，并在普通光学图像目标检测上取得了不错的效果。目前仅有少量的研究关注到基于小样本的遥感图像目标检测。这些研究往往直接将应用于普通光学图像上的小样本检测方法直接作用于遥感图像，而忽略了遥感图像的特异性。遥感图像上目标往往具有不同的方向，这给小样本检测带来了新的挑战。本专利技术首次提出了面向遥感影像的小样本旋转目标检测方法。

技术实现思路

[0005]本专利技术的目的是提供一种基于小样本学习的遥感目标检测方法，具有大幅降低参数量和计算成本的优点。
[0006]本专利技术的上述技术目的是通过以下技术方案得以实现的：
[0007]一种基于小样本学习的遥感目标检测方法，S1：将待检影像输入特征提取网；
[0008]S2：将S1中提取的特征输入特征金字塔网络来提取对象的多尺度特征、分类和回归子网的全卷积网络层；
[0009]S3：构建旋转候选框模块，所述旋转候选框模块包括分类分支和候选框回归分支，所述分类分支负责判定所述旋转候选框内的目标类别，所述候选框回归分支预测候选框的坐标参数；
[0010]S4：将多个坐标参数构成的预测框解码为绝对位置；
[0011]S5：将S3和S4预测候选框类别和候选框位置参数送入检测模块，并使用Rol对齐模块进行特征提取，提取的特征送到所述分类分支和所述候选框回归分支进行目标分类和定位；
[0012]S6：将识别的检测框的位置的像素坐标转换为真实的地理坐标；
[0013]S7：如果模型遇到了新的类别，则需要准备新类别的样本数据，然后调整训练模块中的微调RPN为解冻状态，基础RPN设置为冻结状态不在新的训练中调整；
[0014]S8：调整检测网络中的新型ROI检测器为解冻状态，基础ROI检测器为冻结状态，将数据输入训练网络进行重新训练后获取最优模型；
[0015]S9：用新训练的模型和遥感影像作为输入执行S1
‑
S8的操作，获取目标影像上的检测框和类别等信息。
[0016]进一步的，所述旋转候选框模块由(x，y，w，h)的四个顶点的坐标表示如下所示：
[0017]v1＝(x，y
‑
h/2)+(Δα，0)
[0018]v2＝(x+w/2，y)+(0，Δβ)
[0019]v3＝(x，y+h/2)+(
‑
Δα，0)
[0020]v4＝(x
‑
w/2，y)+(0，Δβ)
[0021][0022]针对有向候选框的参数结构设计损失函数如下所示：
[0023][0024]进一步的，所述候选框回归分支采用仿射变换的方法，其公式如下：
[0025]δ
α
＝Δα/w
[0026]δ
w
＝log(w/w
a
)
[0027]δ
h
＝log(h/h
a
)
[0028]δ
x
＝(x
‑
x
a
)/w
a
[0029]δ
y
＝(y
‑
y
a
)/h
a
[0030][0031][0032][0033][0034][0035]进一步的，所述微调RPN采用平衡候选框来集成预训练的候选框和一个微调候选框，它集成了对象预测头来提升在C
b
和C
n
数据集上候选框的质量，在给定尺寸为H
×
W的特征图层上，基础候选框预测类型的图为微调候选框的预测图为最后平衡候选框的类型图输出为
[0036]进一步的，所述微调RPN微调阶段的损失函数为
[0037]进一步的，所述检测网络使用Re
‑
detector进行检测，所述Re
‑
detector 包含两个并行的基础分类分支f
b
和微调分类分支det
b
分别来预测C
b
和C
b
UC
n
两个数据集上的目标类型，所述基础分类分支f
b
保持相同的权重C
b
数据集上预测对象，所述微调分类分支det
b
通过
微调权重以检测在C
n
和C
b
数据集上识别对象。
[0038]进一步的，采用了一个辅助一致性损失函数来正则化所述微调分类分支det
b
，用KL散度对所述微调分类分支det
b
的与所述基础分类分支f
b
的相似性进行评估，对于C
b
的提议，det
n
被强制预测高置信度，而对于不属于C
b
的提议，der
n
以同样低的概率模仿det
b
给定最终概率，一致性损失函数为：
[0039][0040]其中
[0041]综上所述，本专利技术具有以下有益效果：
[0042]1.该技术流程中采用基于中点的旋转目标表征，有效解决了直接角度回归中的歧义问题，同时，相比于R
‑
RPN网络需要预先设定多个不同角度anchors的方式相比，大幅降低了参数量和计算成本；
[0043]2.该网络将训练模块的迁移方法进行了重点优化，在新类别的数据集上进行训练时原有的类别信息不会被遗忘，有效的提高了模型在小样本目标上的应用能力。
附图说明
[0044]图1是本实施例中一种基于小样本学习的遥感目标检测方法流程示意图；
[0045]图2是本实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小样本学习的遥感目标检测方法，其特征在于，包括：S1:将待检影像输入特征提取网；S2:将S1中提取的特征输入特征金字塔网络来提取对象的多尺度特征、分类和回归子网的全卷积网络层；S3:构建旋转候选框模块，所述旋转候选框模块包括分类分支和候选框回归分支，所述分类分支负责判定所述旋转候选框内的目标类别，所述候选框回归分支预测候选框的坐标参数；S4:将多个坐标参数构成的预测框解码为绝对位置；S5:将S3和S4预测候选框类别和候选框位置参数送入检测模块，并使用RoI对齐模块进行特征提取，提取的特征送到所述分类分支和所述候选框回归分支进行目标分类和定位；S6:将识别的检测框的位置的像素坐标转换为真实的地理坐标；S7:如果模型遇到了新的类别，则需要准备新类别的样本数据，然后调整训练模块中的微调RPN为解冻状态，基础RPN设置为冻结状态不在新的训练中调整；S8:调整检测网络中的新型ROI检测器为解冻状态，基础ROI检测器为冻结状态，将数据输入训练网络进行重新训练后获取最优模型；S9:用新训练的模型和遥感影像作为输入执行S1
‑
S8的操作，获取目标影像上的检测框和类别等信息。2.根据权利要求1所述的一种基于小样本学习的遥感目标检测方法，其特征在于：所述旋转候选框模块由(x,y,w,h)的四个顶点的坐标表示如下所示：v1＝(x,y
‑
h/2)+(Δα,0)v2＝(x+w/2,y)+(0,Δβ)v3＝(x,y+h/2)+(
‑
Δα,0)v4＝(x
‑
w/2,y)+(0,Δβ)针对有向候选框的参数结构设计损失函数如下所示：3.根据权利要求1所述的一种基于小样本学习的遥感目标检测方法，其特征在于：所述候选框回归分支采用仿射变换的方法，其公式如下：δ
α
＝Δα/wδ
w
＝log(w/w
a
)δ
h
＝log(h/h
a
)δ
x
＝(x
‑
x
a
)/w
a
δ
y<...

【专利技术属性】
技术研发人员：周楠，
申请(专利权)人：苏州喆鑫信息科技有限公司，
类型：发明
国别省市：