【技术实现步骤摘要】
基于多尺度跨实例聚类互斥信息对比自监督的遥感目标检测方法及系统
[0001]本专利技术属于图像处理
，具体涉及一种基于多尺度跨实例聚类互斥信息对比自监督的遥感目标检测方法及系统。
技术介绍
[0002]随着现代技术的不断拔高，中国卫星技术的发展日新月异。随着卫星技术的不断发展，通过卫星对地进行观测的方式逐渐成为观测地球区域变化的主流手段。遥感目标检测是指通过手工设计特征或深度学习的算法，从遥感图像中对感兴趣的物体、目标进行分类、识别和定位，对更好的观察地球水陆变化、城乡规划、地图绘制、智慧城市等提供了重大帮助，然而遥感图像相较于普通的自然图像，有明显不同的难点。
[0003]首先，遥感图像尺寸巨大，包含的背景信息很多，导致目标所占比例小。遥感图像具有广阔的分辨率和数倍于自然图像的尺寸，场景信息异常复杂，目标在遥感图像中只占其中很小的比例，且大多场景信息带有的特征不但冗余，会给特征提取算法带来大量的噪声干扰，妨碍遥感目标的特征提取和检测。大尺寸图像的目标检测，往往意味着需要花费更高的实验成本。
[0004...
【技术保护点】
【技术特征摘要】
1.一种基于多尺度跨实例聚类互斥信息对比自监督的遥感目标检测方法，其特征在于，包括：通过数据增广模块生成三个不同的全局视图；采用多尺度特征提取模块提取全局视图的特征，由互斥信息对比损失和聚类信息对比损失训练自监督模型，获取上游自监督模型；利用训练好的上游自监督模型进行迁移学习，转换为下游遥感目标检测网络相匹配的预训练模型；利用训练好的遥感目标检测模型对待检测图像进行检测，获得预测的标签类别、置信度和预测框。2.根据权利要求1所述的基于多尺度跨实例聚类互斥信息对比自监督的遥感目标检测方法，其特征在于，数据增广全局视图的过程为：输入高分辨率遥感图像，将给定图像按照不同的大小和宽高比随机裁剪，并缩放至预设尺寸，将随机灰度、高斯滤波、颜色抖动、随机翻转应用于裁剪得到的图像，生成三个不同的基于给定图像的全局视图。3.根据权利要求1所述的基于多尺度跨实例聚类互斥信息对比自监督的遥感目标检测方法，其特征在于，采用多尺度特征提取模块提取全局视图的特征，通过负样本队列与自监督网络的对抗学习，通过实例聚类群体辨别学习，由互斥信息对比损失和聚类信息对比损失训练自监督模型，得到可用于迁移学习的自监督模型。4.根据权利要求3所述的基于多尺度跨实例聚类互斥信息对比自监督的遥感目标检测方法，其特征在于，上游自监督模型的损失函数L为：L＝L
me
+L
cincincincincincincin
其中，L
me
为互斥信息对比损失函数计算值；为全局视图I
q1
、I
k
之间的对比损失函数计算值，为全局视图I
q2
、I
k
之间的对比损失函数计算值，表示I
q1
、l
q2
经编码器的最小尺度特征，表示与I
q1
、I
q2
为正对的I
k
经编码器的最小尺度特征，表示与I
q1
、I
q2
为负对的I
k
经编码器的最小尺度特征，n∈[1,K]，K为负样本队列的长度，T表示温度超参数；L
cin
为聚类信息对比损失函数计算值，为L
cin
组成部分；kmeans表示基于欧式距离的聚类算法，C表示聚合中心数，iters表示迭代次数，分别表示I
q1
、I
q2
另外两个尺度特征，分别表示I
q1
、I
q2
对应特征表示的标签表示，分别表示I
q1
、I
q2
对应特征表示的聚类中心，CELoss为交叉熵损失函数CrossEntropyLoss，t为转置。5.根据权利要求1所述的基于多尺度跨实例聚类互斥信息对比自监督的遥感目标检测方法，其特征在于，预训练模型转换的转换规则为：将上游自监督模型M
u
和下游遥感目标检测模型M
d
的模型参数键集合k
u
∈C
uk
、k
d
∈C
dk
，值集合v
u
∈C
uv
、v
d
∈C
dv
按照模糊匹配原则σ进行转换；模糊匹配原则σ为将C
dk
作为标准键集合，C
uk
作为匹配键集合，去除C
uk
中k
u
的起始结构名，剩余键名与k
d
进行全字符匹配，将匹配的k
d
以及k
u
对应的v
u
按照键值对的形式保存到预训练模型M
n
中，不匹配的则跳过；将训练好的自监督模型转换为预训练模型，载入遥感目标检测网络中训练，利用训练好的遥感目标检测模型对待检测的遥感图像进行检测，获得预测的标签类别、置信度和预测框。6.一种基于多尺度跨实例聚类互斥信息对比自监督的...
【专利技术属性】
技术研发人员：吴泽彬，陈都阳，徐洋，韦志辉，
申请(专利权)人：南京理工大学，
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。