【技术实现步骤摘要】
基于差异特征学习的航拍图像目标检测方法及系统
[0001]本专利技术属于计算视觉领域，涉及深度学习目标检测领域，具体涉及一种基于差异特征学习的航拍图像目标检测方法及系统。
技术介绍
[0002]目标检测是计算视觉领域中的一个重要研究方法，也是其他复杂视觉任务的基础。航拍图像目标检测长期以来是计算机视觉中的一个难点和研究热点。受拍摄角度、高度以及速度的影响，这些目标将处于不断的变换中，存在低分辨率、遮挡和模糊等问题。在我们的生活中航拍图像目标检测也被广泛的应用于农业、工业和军事监视等领域，对精度的要求更高，因为任何遗漏和错误的检测都可能导致严重的后果。
[0003]现有的目标检测算法主要分为两类：一阶段目标检测算法和两阶段目标检测算法。一阶段目标检测算法直接预测目标，不需要事先预测粗略的提议框，而两阶段检测算法增加了区域提议网络(Region Proposal Network
‑
RPN)来预测粗略的提议框，然后对这些提议框进行分类和位置校正。两阶段物体检测算法的准确性有了明显的提高，但检测速度却有所下...
【技术保护点】
【技术特征摘要】
1.一种基于差异特征学习的航拍图像目标检测方法，其特征在于，该方法采用基于无锚框的检测算法作为基准网络框架，对锚框大小和数量进行设置，并使用hourglass作为主干网络来提取特征；并使用三个并行的分支实现对目标大小、类别和差异特征的预测，通过在网络训练时实时地收集优质特征并用于指定网络接下来训练中对差异特征的学习，最后用差异特征来修正错误的特征使得整个网络输入一个更加准确的特征；此外，通过头尾采样方法实现对头尾类别目标的划分以实现网络每次迭代时都能够学习到头尾两类目标的特征。2.根据权利要求1所述的基于差异特征学习的航拍图像目标检测方法，其特征在于，该方法具体包括以下步骤：S1：将数据集针对性的划分为两个子数据集，从两个子数据集中随机选取相同数量的图像作为输入；S2：利用相应的数据训练特定的目标检测网络，并在训练的过程中实时地收集网络提取到的优质特征；其中，特定的目标检测网络是使用Hourglass网络作为主干网络来提取特征，并使用三个并行的分支实现对目标大小特征、类别特征和差异特征的提取；S3：预测目标大小、类别以及对应位置的差异特征；S4：将差异特征与类别特征进行求和得到特征F
add
以实现类别特征的修正，然后对F
add
执行1
×
1的卷积操作得到新的分类热图hm
‘
；S5：利用topk和nms算法对类别预测分支的预测结果进行候选框的筛选，得到候选框Box；S6：利用差异特征预测分支得到的热图hm
‘
对候选框Box的对应的得分进行最终的更新。3.根据权利要求2所述的基于差异特征学习的航拍图像目标检测方法，其特征在于，步骤S2中，使用三个并行的分支实现对目标大小特征、类别特征和差异特征的提取，具体包括：使用两个并行的检测头实现对目标大小特征、类别特征的提取，得到类别特征括：使用两个并行的检测头实现对目标大小特征、类别特征的提取，得到类别特征和目标大小特征并输入1
×
1卷积；另外，使用一个分支直接得到差异特征类别预测分支和大小预测分支将前一层的特征F送入1
×
1卷积得到预测结果1卷积得到预测结果和其中，hm每个位置代表目标c个类别得分，size每个位置代表此位置目标的高和宽，b表示训练时batch的大小，w表示特征图的宽，h表示特征图的高；然后，根据每个目标的Ground truth得到得分热图hm
g
，分别使用焦点损失函数和绝对值损失函数对目标的类别和大小进行回归；此外，在差异特征预测分支，只执行一次3
×
3卷积得到一个差异特征4.根据权利要求3所述的基于差异特征学习的航拍图像目标检测方法，其特征在于，步骤S2中，由于F
hm
会对图像造成不同的预测错误，需要对这些位置进行不同的损失回归；首先本发明需要根据类别预测分支得到的最大类别得分和真实标注最大类别得分进行位置的划分并进行得到不同损失函数，如等式：
其中，P
ij
表示特征图上符合对应条件的位置分类，表示真实标注的得分信息，S
ij
表示网络预测的得分信息，η和∈表示收集优质特征时所设置的阈值，c表示前景错误时目标的真实类别；然后对差异特征分支中不同的位置设置不同的损失函数，如等式：其中，L
df
表示差异特征损失，n表示需要进行差异特征回归的特征向量的数量；表示差异特征损失中前景错误对应的损失，表示差异特征损失中背景错误对应的损失，表示差异特征损失中除前两种情况外剩余位置的差异特征损失，其中，均使用SmoothLlLoss作为最终的损失函数；表示第c...
【专利技术属性】
技术研发人员：米建勋，蒋科金，丁佐，李胜涛，
申请(专利权)人：重庆邮电大学，
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。