一种基于多模型互馈学习的半监督遥感目标检测方法技术

本申请一种基于多模型互馈学习的半监督遥感目标检测方法，包括以下步骤：将待检测遥感图像M分别输入n个第一目标检测器中，以获取每一第一目标检测器输出的检测结果列表，每一检测结果列表包括若干检测结果信息；根据每一检测结果信息中的位置信息对检测结果信息进行分组，以获取检测结果组列表A＝(A1,A2,...,Ar,...,As)；分别对A1,A2,...,Ar,...,As进行数据融合处理，得到目标检测结果列表B＝(B1,B2,...,Br,...,Bs)。本申请中以B作为最终的目标检测结果，可以提高目标检测的准确度。可以提高目标检测的准确度。可以提高目标检测的准确度。

【技术实现步骤摘要】
一种基于多模型互馈学习的半监督遥感目标检测方法


[0001]本申请涉及遥感数据处理领域，尤其涉及一种基于多模型互馈学习的半监督遥感目标检测方法。

技术介绍

[0002]目标检测作为计算机视觉领域中十分重要的任务，已经在安防、交通、智能教育和遥感等领域有着许多的应用。随着深度学习的发展，基于深度学习的目标检测算法表现出了优越的性能，基于深度学习的目标检测算法被广泛地研究。深度学习主要是基于监督学习的方式，其在训练模型的过程中主要依赖于大量的有标注的数据。不同于分类任务对训练样本只需要对图像进行标注类型标签，目标检测需要对训练样本标注出精细的检测框以及目标对应的类型，需要耗费大量的人力物力。特别是对于遥感图像的目标检测任务，由于图像尺寸大以及部分类型的目标分布稀疏，导致对单张遥感图像进行标注精细的检测框和类型标签需要花费大量的时间成本和人力成本。而为了使得训练后的目标检测算法输出结果的准确定达到要求，需要进行标注的遥感图像的数量也是较大的，这也进一步导致了进行遥感图像标注的时间成本和人力成本的提升。

技术实现思路

[0003]有鉴于此，本申请提供一种基于多模型互馈学习的半监督遥感目标检测方法，至少部分解决现有技术中存在的问题。
[0004]在本申请的一方面，提供一种基于多模型互馈学习的半监督遥感目标检测方法，包括以下步骤：
[0005]S100，将所述待检测遥感图像M分别输入n个第一目标检测器中，以获取每一第一目标检测器输出的检测结果列表，每一检测结果列表包括对应的第一目标检测器对M进行目标检测后得到的若干检测结果信息，每一检测结果信息均具有一个对应的第一候选检测框，每一检测结果信息均包括其对应的第一候选检测框的位置信息、目标物类型标识和置信度；n个所述第一目标检测器为通过以不同的调整方式使用相同的遥感图像调整自身内部的检测器参数进行调整后得到的。
[0006]S200，根据每一检测结果信息中的位置信息对检测结果信息进行分组，以获取检测结果组列表A＝(A1,A2,...,Ar,...,As)，Ar＝(Ar1,Ar2,...,Ar
j
,...,Ar
m(r)
)，Ar
j
＝(Wr
j
,Gr
j
,Pr
j
)，r＝1,2,...,s，j＝1,2,...,m(r)；其中，s为分组后得到的检测结果组的数量，Ar为A中第r个检测结果组，Ar
j
为Ar中第j个检测结果信息，m(r)为Ar中检测结果信息的数量，m(r)≤n；Wr
j
为Ar
j
对应的第一候选检测框的位置信息，Gr
j
为Ar
j
对应的第一候选检测框的目标物类型标识，Pr
j
为Gr
j
对应的置信度；同一检测结果组内任意两个检测结果信息对应的第一候选检测框之间的重合度大于重合度阈值。
[0007]S300，分别对A1,A2,...,Ar,...,As进行数据融合处理，得到目标检测结果列表B＝(B1,B2,...,Br,...,Bs)，Br＝(BWr,BGr,BPr)；其中，Br为对Ar进行数据融合处理后得到
的目标检测结果信息，每一目标检测结果信息具有一个目标检测框，BWr为Br对应的目标检测框的位置信息，BGr为Br对应的目标检测框的目标物类型标识，BPr为Br对应的目标检测框的置信度。
[0008]其中，Br对应的目标检测框为max(Pr1,Pr2,...,Pr
j
,...,Pr
m(r)
)所在的检测结果信息对应的第一候选检测框，max()为预设的最大值确定函数。
[0009]本申请提供的基于多模型互馈学习的半监督遥感目标检测方法，n个第一目标检测器是通过以不同的调整方式使用相同的遥感图像调整自身内部的检测器参数后得到的，使得n个第一目标检测器中的检测器参数相互不同，这样n个第一目标检测器之间具有相近的识别能力但识别结果会因检测器参数的不同而存在差异(即不同的第一目标检测器对同一类型的目标的识别准确度存在差异和/或不同的第一目标检测器对不同类型的目标的识别准确度不同)，从而使得能够通过第一目标检测器对同一遥感图像进行更加全面的目标检测。本申请中，使用相互不同的n个第一目标检测器分别对M进行目标检测，并通过n个第一目标检测器输出的检测结果列表将对应的第一候选检测框之间的重合度大于重合度阈值的检测结果信息分组到同一检测结果组内，即同一检测结果组内的检测结果信息对应的第一候选检测框针对的是M中的同一个目标物。然后对同一检测结果组内的检测结果信息进行融合，从而选择出置信度最高的检测结果信息作为目标检测结果信息，从而得到的每一检测结果组对应的目标检测结果信息。由此，得到的目标检测结果信息能够更加精准。
[0010]同时，经过实验验证，通过本方法中提供的第一目标检测器，在根据遥感图像调整自身的检测参数时，仅需要使用较少的有标注的遥感图像即可使得调整后的n个第一目标检测器联合得到的目标检测结果信息的准确度达到预设的准确度条件。从而降低了训练第一目标检测器时所需要标注的遥感图像的数量，降低了标注工作的时间成本和人力成本。
附图说明
[0011]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0012]图1为本申请实施例提供的一种基于多模型互馈学习的半监督遥感目标检测方法的流程图。
具体实施方式
[0013]下面结合附图对本申请实施例进行详细描述。
[0014]需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合；并且，基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
[0015]需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使
用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
[0016]请参考图1所示，本申请提供一种基于多模型互馈学习的半监督遥感目标检测方法，具体包括以下步骤：
[0017]S100，将所述待检测遥感图像M分别输入n个第一目标检测器中，以获取每一第一目标检测器输出的检测结果列表。
[0018]每一检测结果列表包括对应的第一目标检测器对M进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模型互馈学习的半监督遥感目标检测方法，其特征在于，包括以下步骤：S100，将所述待检测遥感图像M分别输入n个第一目标检测器中，以获取每一第一目标检测器输出的检测结果列表；每一检测结果列表包括对应的第一目标检测器对M进行目标检测后得到的若干检测结果信息，每一检测结果信息均具有一个对应的第一候选检测框，每一检测结果信息均包括其对应的第一候选检测框的位置信息、目标物类型标识和置信度；n个所述第一目标检测器为通过以不同的调整方式使用相同的遥感图像调整自身内部的检测器参数进行调整后得到的；S200，根据每一检测结果信息中的位置信息对检测结果信息进行分组，以获取检测结果组列表A＝(A1,A2,...,Ar,...,As)，Ar＝(Ar1,Ar2,...,Ar
j
,...,Ar
m(r)
)，Ar
j
＝(Wr
j
,Gr
j
,Pr
j
)，r＝1,2,...,s，j＝1,2,...,m(r)；其中，s为分组后得到的检测结果组的数量，Ar为A中第r个检测结果组，Ar
j
为Ar中第j个检测结果信息，m(r)为Ar中检测结果信息的数量，m(r)≤n；Wr
j
为Ar
j
对应的第一候选检测框的位置信息，Gr
j
为Ar
j
对应的第一候选检测框的目标物类型标识，Pr
j
为Gr
j
对应的置信度；同一检测结果组内任意两个检测结果信息对应的第一候选检测框之间的重合度大于重合度阈值；S300，分别对A1,A2,...,Ar,...,As进行数据融合处理，得到目标检测结果列表B＝(B1,B2,...,Br,...,Bs)，Br＝(BWr,BGr,BPr)；其中，Br为对Ar进行数据融合处理后得到的目标检测结果信息，每一目标检测结果信息具有一个目标检测框，BWr为Br对应的目标检测框的位置信息，BGr为Br对应的目标检测框的目标物类型标识，BPr为Br对应的目标检测框的置信度；其中，Br对应的目标检测框为max(Pr1,Pr2,...,Pr
j
,...,Pr
m(r)
)所在的检测结果信息对应的第一候选检测框，max()为预设的最大值确定函数。2.根据权利要求1所述的基于多模型互馈学习的半监督遥感目标检测方法，其特征在于，所述n个第一目标检测器通过以下步骤得到：S010，获取若干初始遥感图像；S020，确定每一初始遥感图像的图像复杂度；S030，将每一大于复杂度阈值的图像复杂度对应的初始遥感图像确定为第一遥感图像，以得到若干第一遥感图像；S040，获取用户输入的每一第一遥感图像对应的标注信息；S050，获取n个第一原始检测器和n个第二原始检测器；n个第一原始检测器和n个第二原始检测器一一对应；所述第一原始检测器配置有x个第一检测器运行参数D11,D12,...,D1y,...,D1x，y＝1,2,...,x；其中，D1y为第一原始检测器的第y个第一检测器运行参数；所述第二原始检测器均具有x个第二检测器运行参数D21,D22,...,D2y,...,D2x；其中，D2y为第二原始检测器的第y个第一检测器运行参数；D1y＝D2y；S060，将若干第一遥感图像进行n次随机排序，以得到n个目标遥感图像组H1,H2,...,Hi,...,Hn，Hi＝(Hi1,Hi2,...,Hif,...,Hiu)，Hif＝(Tif,Bif)，i＝1,2,...,n，f＝1,2,...,u；其中，u为所述第一遥感图像的数量，Hi为对若干第一遥感图像进行第i次随机排序后得到的目标遥感图像组，Hif为Hi中第f个目标遥感图像信息，Tif为Hif对应的第一遥感图像，Bif为Tif对应的标注信息；n个第一原始检测器与n个目标遥感图像组一一对应；S070，将Hi输入第i个第一原始检测器，以获取所述第i个第一原始检测器根据Hi得到
的x个第一训练后检测器运行参数D31,D32,...,D3y,...,D3x；其中，D3y为第i个第一原始检测器根据Hi得到的第y个第三检测器运行参数；S080，根据D31,D32,...,D3y,...,D3x对第i个第一原始检测器和第i个第二原始检测器进行更新，以使得D1y＝D3y，D2y＝(1
‑
α)*D2y+α*D3y；S090，确定当前每一第二原始检测器的更新次数是否达到第一预设次数，若达到，则将当前的每一第二原始检测器确定为所述第一目标检测器；否则进入步骤S060。3.根据权利要求2所述的基于多模型互馈学习的半监督遥感目标检测方法，其特征在于，所述步骤S090，所述方法还包括：S091，确定当前每一第二原始检测器的更新次数是否达到第一预设次数，若达到，则将当前的每一第二原始检测器确定为候选目标检测器，并进入步骤S092；否则进入步骤S060；S092，确定当前的每一第一原始检测器是否均符合设定条件，若符合，则进入步骤S096；否则，将每一小于或等于复杂度阈值的图像复杂度对应的初始遥感图像确定为第二遥感图像；S093，依次将每一第二遥感图像分别输入每一所述候选目标检测器，以获取每一第二遥感图像对应的n个第一候选检测结果列表；任意第二遥感图像对应的第i个第一检测结果列表包括第i个候选目标检测器对该第二遥感图像进行目标检测后得到的若干第一候选检测结果信息；每一第一候选检测结果信息均具有一个对应的第二候选检测框，每一第一候选检测结果信息均包括其对应的第二候选检测...

【专利技术属性】
技术研发人员：刁文辉，祝阳光，高鹏，冯瑛超，戴威，尹文昕，朱子聪，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：