本公开提供一种遥感目标检测方法及装置，涉及计算机视觉领域，该方法包括：通过初始目标检测网络获得所述样本的样本预测信息；利用样本预测信息获得所述初始目标检测网络的网络损失；利用网络损失进行网络训练，获得目标检测网络；将所述检测目标的图像输入所述目标检测网络获得所述检测目标的检测结果。本公开使用了基于无锚机制的分支通信方式有效改善了网络对小目标的漏检现象，加快网络的收敛速度，提高了检测精度。提高了检测精度。提高了检测精度。
【技术实现步骤摘要】
遥感目标检测方法、装置、计算设备及介质
[0001]本公开涉及计算机视觉领域和遥感目标检测领域，特别一种遥感目标检测方法、装置、计算设备及介质。
技术介绍
[0002]遥感图像目标检测作为计算机视觉领域中一个基础且具有挑战性的任务，在军事领域和民用领域都得到了广泛的应用，如无人机侦察，海上救援，材料缺陷检测等。遥感图像中的小目标物像素数量少并且在整张图像中尺寸占比极小，这导致网络很难在背景复杂的遥感图像中精确检测小目标。
[0003]目前基于深度学习的目标检测器可以分为有锚检测器和无锚检测器两大类。有锚检测器可以进一步划分为基于水平锚框检测器和基于旋转锚框检测器。基于水平锚框检测器检测精度较高而检测速度慢。不同形态的小目标因其像素数量极少而在水平真实框中像素占比小，这导致网络在进行特征提取时有效信息占比较少，不利于网络对前景和背景的区分。基于旋转锚框检测器网络学习难度大，网络收敛更加困难；同时，基于锚框的目标检测器过于依赖预设锚框尺寸，小目标物容易被漏检。无锚检测器摆脱了对先验锚框的依赖，将目标检测任务转化为对关键点的估计，网络对图像进行了更加细粒度的检测，缓解了小目标的漏检问题，但网络输出端同时预测位置信息与类别信息会使网络注意力分散而导致网络收敛困难，增大了模型的应用难度。
技术实现思路
[0004](一)要解决的技术问题
[0005]有鉴于此，本公开的目的在于提供一种遥感目标检测方法、装置、计算设备及介质以至少部分解决上述的技术问题。
[0006](二)技术方案
[0007]根据本公开的一方面，提供一种遥感目标检测方法，包括：
[0008]基于检测目标的样本的二维高斯分布模型，通过初始目标检测网络获得所述样本的样本预测信息；利用样本预测信息获得初始目标检测网络的网络损失；利用网络损失对初始目标检测网络进行网络训练，获得目标检测网络；将检测目标的图像输入目标检测网络获得检测目标的检测结果。
[0009]进一步的，初始目标检测网络包括特征提取网络、定位分支网络、类别分支网络和边界框尺寸回归网络，样本预测信息包括样本定位热力图、样本类别预测信息以及样本边界框预测信息，基于检测目标的样本的二维高斯分布模型，通过初始目标检测网络获得样本的样本预测信息包括：基于二维高斯分布模型，利用特征提取网络进行特征提取，获得样本的浅层特征图；根据浅层特征图利用定位分支网络获得感受野递减的样本定位热力图；根据浅层特征图和样本定位热力图利用类别分支网络获得样本类别预测信息；根据浅层特征图和样本定位热力图利用边界框尺寸回归网络进行特征融合获得样本边界框预测信息。
[0010]进一步的，根据浅层特征图和样本定位热力图利用类别分支网络获得样本类别预测信息包括：将浅层特征图输入类别分支网络中的反卷积网络获得感受野缩小的深层特征图；将深层特征图、样本定位热力图以及浅层特征图利用类别分支网络进行特征融合，获得样本类别预测信息。
[0011]进一步的，定位分支网络包括CBL非线性层和最近邻插值上采样单元，根据浅层特征图利用定位分支网络获得感受野递减的样本定位热力图包括：步骤一，浅层特征图经过CBL非线性层和最近邻插值上采样单元得到分辨率增大的特征图；步骤二，分辨率增大的特征图与浅层特征图进行特征融合，获得感受野缩小的热力图；步骤三，将步骤二获得的热力图作为输入，重复步骤一与步骤二逐级获得感受野递减的热力图。
[0012]进一步的，浅层特征图包含样本的细节信息；深层特征图包含样本的语义信息。
[0013]进一步的，网络损失包括中心点定位损失、类别损失以及边界框尺寸回归损失，利用样本预测信息获得初始目标检测网络的网络损失包括：利用样本定位热力图与预设的二维高斯分布的热力图进行MSE损失计算，获得中心点定位损失；利用样本类别预测信息与预设的标签信息进行二值交叉熵损失计算，获得类别损失；利用样本边界框预测信息与预设的边界框尺寸标签信息进行L1损失计算，获得边界框尺寸回归损失。
[0014]进一步的，利用网络损失对初始目标检测网络进行网络训练包括：根据网络损失对定位分支网络和类别分支网络进行网络训练，获得定位分支网络的卷积核权重、类别分支网络的卷积核权重；将定位分支网络的卷积核权重和类别分支网络的卷积核权重固定，根据网络损失对边界框尺寸回归网络进行网络训练，获得边界框尺寸回归网络的卷积核权重；将定位分支网络的卷积核权重、类别分支网络的卷积核权重以及边界框尺寸回归网络的卷积核权重附加到初始目标网络中，获得目标检测网络。
[0015]进一步的，将检测目标的图像输入目标检测网络获得检测目标的检测结果包括：将检测目标的图像经过目标检测网络获得定位热力图、类别预测信息以及边界框预测信息；对定位热力图进行归一化，得到归一化后的定位热力图；利用最大值滤波器从归一化后的定位热力图中获得检测目标的中心点坐标；利用中心点坐标从边界框预测信息中获得检测目标的边界框的宽和高的值；利用中心点坐标从类别预测信息得到中心点坐标下各类别置信度；取各类别置信度中的最大值为检测目标的置信度，置信度对应的类别所属为检测目标的类别所属。
[0016]根据本公开的另一方面，提供一种遥感目标检测装置，包括：第一获取模块，用于基于检测目标的样本的二维高斯分布模型，获得样本的样本预测信息；第二获取模块，用于利用样本预测信息获得目标检测网络模块的网络损失；第三获取模块，用于利用网络损失对目标检测网络模块进行网络训练，获得目标检测网络；第四获取模块，用于将检测目标的图像输入目标检测网络获取检测目标的检测结果。
[0017]根据本公开的另一方面，提供一种计算设备，包括：一个或多个处理器；存储器，用于存储一个或多个计算机程序，其中，当一个或多个计算机程序被一个或多个处理器执行时，使得一个或多个处理器实现如上所述的方法。
[0018]根据本公开的另一方面，提供一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现如上所述的方法。
[0019](三)有益效果
[0020](1)本公开从改进样本标签建模角度出发，将传统技术中的边界框建模转化为二维高斯分布建模，摆脱了传统技术中对锚框的依赖，避免了目标尺寸不一时，小目标物体会因预测框微小的位置偏差导致正样本被判定成负样本而被漏检的情况，增大了标签对样本的覆盖率，减少背景特征对网络的错误引导。
[0021](2)本公开将定位分支预测的前景信息即所生成的热力图共享给类别分支，同时，对各分支的网络损失进行加权，从而实现对网络的快速收敛。
[0022](3)本公开定位分支逐级融合细节特征实现对遥感图像的像素级预测改善网络对小目标的漏检现象。
[0023](4)本公开的类别分支网络利用反卷积减小深层特征的感受野，聚焦小目标的语义信息，提高检测精度。
附图说明
[0024]图1示意性示出了根据本公开的实施例的遥感目标检测方法的流程图。
[0025]图2示意性示出了根据本公开的实施例的获得样本的样本预本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种遥感目标检测方法，其特征在于，包括：基于检测目标的样本的二维高斯分布模型，通过初始目标检测网络获得所述样本的样本预测信息；利用所述样本预测信息获得所述初始目标检测网络的网络损失；利用所述网络损失对所述初始目标检测网络进行网络训练，获得目标检测网络；将所述检测目标的图像输入所述目标检测网络获得所述检测目标的检测结果。2.根据权利要求1所述的遥感目标检测方法，其特征在于，所述初始目标检测网络包括特征提取网络、定位分支网络、类别分支网络和边界框尺寸回归网络，所述样本预测信息包括样本定位热力图、样本类别预测信息以及样本边界框预测信息，所述基于检测目标的样本的二维高斯分布模型，通过初始目标检测网络获得所述样本的样本预测信息包括：基于所述二维高斯分布模型，利用所述特征提取网络进行特征提取，获得所述样本的浅层特征图；根据所述浅层特征图利用所述定位分支网络获得感受野递减的样本定位热力图；根据所述浅层特征图和所述样本定位热力图利用所述类别分支网络获得样本类别预测信息；根据所述浅层特征图和所述样本定位热力图利用所述边界框尺寸回归网络进行特征融合获得样本边界框预测信息。3.根据权利要求2所述的遥感目标检测方法，其特征在于，所述根据所述浅层特征图和所述样本定位热力图利用所述类别分支网络获得样本类别预测信息包括：将所述浅层特征图输入所述类别分支网络中的反卷积网络获得感受野缩小的深层特征图；将所述深层特征图、所述样本定位热力图以及所述浅层特征图利用所述类别分支网络进行特征融合，获得所述样本类别预测信息。4.根据权利要求2所述的遥感目标检测方法，其特征在于，所述定位分支网络包括CBL非线性层和最近邻插值上采样单元，所述根据所述浅层特征图利用所述定位分支网络获得感受野递减的样本定位热力图包括：S1，将特征图输入所述CBL非线性层和所述最近邻插值上采样单元得到分辨率增大的特征图；S2，将所述分辨率增大的特征图与所述浅层特征图进行特征融合，获得感受野缩小的热力图；S3，将所述感受野缩小的热力图作为所述特征图，重复S1与S2逐级获得感受野递减的热力图。5.根据权利要求3所述的遥感目标检测方法，其特征在于，所述浅层特征图包含所述样本的细节信息；所述深层特征图包含所述样本的语义信息。6.根据权利要求2所述的遥感目标检测方法，其特征在于，所述网络损失包括中心点定位损失、类别损失以及边界框尺寸回归损失，所述利用所述样本预测信息获得所述初始目标检测网络的网络损失包括：利用所述样本定位热力图与预设的二维高斯分布的热力图进行...
【专利技术属性】
技术研发人员：崔梦华，陈刚，龚国良，鲁华祥，
申请(专利权)人：中国科学院半导体研究所，
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。