基于主动学习的光学遥感目标检测方法技术

本发明专利技术涉及一种基于主动学习的光学遥感目标检测方法，包括：获取光学遥感目标图像的样本集，构建测试样本集和未标注样本池，随机在未标注样本池中筛选一批样本进行专家标注，作为初始的训练样本集；搭建单阶段光学遥感目标检测模型；设计主动学习采样策略；利用训练样本集对单阶段光学遥感目标检测模型进行训练，获得初始的光学遥感目标检测模型；利用测试样本集对光学遥感目标检测模型进行测试，判断该模型是否达到训练的终止条件；如果未达到，则按照主动学习采样策略对未标注样本池进行采样，经专家标注加入训练样本集，对光学遥感目标检测模型继续迭代训练，直至达到训练的终止条件。可有效减少样本标注成本，同时保持模型的检测性能。模型的检测性能。模型的检测性能。

【技术实现步骤摘要】
基于主动学习的光学遥感目标检测方法


[0001]本专利技术涉及深度学习与遥感图像处理
，尤其涉及一种基于主动学习的光学遥感目标检测方法。

技术介绍

[0002]舰船是重要的海上交通运输工具装备，也是海上军事活动中的重点关注目标和打击对象，通过光学遥感影像对其进行智能目标检测和识别具有探测范围广、动态监视时间长、时效性强等显著特点，并辅助海上交通管制、搜救、增强重点海域监视以及目标精确打击，在民用和军事领域都具有重要的应用价值。
[0003]随着高分辨率的光学遥感卫星的飞速发展，光学遥感舰船图像数量与日俱增，为光学遥感舰船目标检测提供了海量的样本图像数据集。光学遥感舰船目标检测方法可以分为传统的目标检测方法和基于深度学习的方法。
[0004]传统的遥感舰船目标检测方法利用人工定义目标特征或者特征提取的方式进行目标检测。该方法的特征多样性有限，导致模型的鲁棒性不强，在复杂场景下的准确率不高，使得该方法的应用具有一定程度的局限性。
[0005]近年来，深度学习技术作为一种直接从数据中自动学习特征表示的方法，在遥感舰船目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于主动学习的光学遥感目标检测方法，包括：获取光学遥感目标图像的样本集，构建测试样本集和未标注样本池，随机在所述未标注样本池中筛选一批样本进行专家标注，并作为初始的训练样本集；基于MMDetection目标检测框架，搭建单阶段光学遥感目标检测模型；设计所述单阶段光学遥感目标检测模型的主动学习采样策略；利用所述训练样本集对所述单阶段光学遥感目标检测模型进行训练，获得初始的光学遥感目标检测模型；利用所述测试样本集对所述光学遥感目标检测模型进行测试，判断所述光学遥感目标检测模型是否达到训练的终止条件；如果未达到，则按照主动学习采样策略对所述未标注样本池进行采样，经专家标注加入所述训练样本集，对所述光学遥感目标检测模型继续迭代训练，直至达到训练的终止条件。2.根据权利要求1所述的方法，其特征在于，所述初始的训练样本集包含所有的样本类别，每个样本类别至少包含一个样本。3.根据权利要求1所述的方法，其特征在于，所述单阶段光学遥感目标检测模型为水平框单阶段目标检测模型或旋转框单阶段目标检测模型。4.根据权利要求1所述的方法，其特征在于，所述单阶段光学遥感目标检测模型的主动学习采样策略包括：在对未标注样本图像的采样过程中，预测框的位置不确定度、预测框的类别不确定度和未标注样本图像不确定度的计算，以及未标注样本图像不确定度的排序准则。5.根据权利要求4所述的方法，其特征在于，设计所述单阶段光学遥感目标检测模型的主动学习采样策略的过程，包括：对所述单阶段光学遥感目标检测模型进行N次随机初始化，使用深度集成方法生成N个初始化的单阶段光学遥感目标检测模型，并输入所有的未标注样本图像，获得未标注样本的候选框的目标类别和位置信息，根据锚点框记录候选框的索引值；根据候选框的索引值，对候选框的目标类别概率分布和位置概率分布求均值，对均值化的候选框进行非极大值抑制生成预测框；根据每个预测框的索引值找到对应的候选框，获得预测框的概率分布，通过计算候选框的位置方差获得预测框的位置不确定度，通过计算N个单阶段光学遥感目标检测模型输出的目标类别概率的信息熵获得预测框的类别不确定度；综合计算每个未标注样本图像的所有预测框的类别不确定度和位置不确定度后求均值，得到每个未标注样本图像的不确定...

【专利技术属性】
技术研发人员：史也，向雪霜，范达，贾海鹏，贺杨，令狐鼎，刘雪娇，纪楠，陈清霞，
申请(专利权)人：中国空间技术研究院，
类型：发明
国别省市：