【技术实现步骤摘要】
一种基于弱监督学习的遥感图像有向目标检测方法
[0001]本专利技术属于遥感影像智能化分析领域,具体涉及一种基于有向目标挖掘的弱监督遥感图像有向目标检测方法。
技术介绍
[0002]目标检测是高分辨率光学遥感图像智能解译的基本任务之一,可广泛应用于城市规划、农业监测、灾情评估、军事侦察等领域。与从地面水平视角拍摄的自然图像相比,遥感图像通常以鸟瞰视角对地成像,图像中的地物目标通常呈任意方向分布。为了有效检测出目标的方向信息,研究者们引入了大规模有向边界框标注数据集进行深度学习网络训练,以实现对遥感图像中任意方向目标的精确检测。然而,相较于通用的水平边界框标注方式,标注有向边界框更加耗费时间和人力资源。此外,由于遥感图像成像场景大、地面目标繁杂、纹理信息丰富,这进一步增加了人工标注成本。
[0003]虽然近年来基于深度学习的遥感图像有向目标检测研究取得了较大的进展,但是现有的方法大多需要在使用有向边界框标注的大规模数据集上进行全监督训练,网络的检测性能严重依赖于数据集标注的精度与样本的数量。为了降低数据标注成本,基于弱监督学习的遥感图像目标检测方法开始成为近年来的研究趋势。然而,由于缺少方向监督信息,现有弱监督方法对图像中有向目标的检测能力仍然受到限制,如何从弱监督训练数据中挖掘待检测目标的方向角度信息仍然是一个亟待解决的问题。
技术实现思路
[0004]为解决以上现有技术存在的问题,本专利技术提出了一种基于弱监督学习的遥感图像有向目标检测方法。该方法包括:
[0005]获取待测遥感图像 ...
【技术保护点】
【技术特征摘要】
1.一种基于弱监督学习的遥感图像有向目标检测方法,其特征在于,包括:获取待测遥感图像数据,并对待测遥感图像数据进行预处理;将预处理后的待测遥感图像数据输入到训练好的遥感图像有向目标检测模型中进行检测处理,得到目标遥感图像;其中,遥感图像有向目标检测模型的训练过程包括:获取原始遥感数据集,并对所述原始遥感数据集进行预处理;所述原始遥感数据集包括具有真实水平边界框标签的训练遥感图像;将所述训练遥感图像进行多角度旋转数据增强,生成所述训练遥感图像的多角度旋转图像;将训练遥感图像的所述多角度旋转图像输入到教师网络进行有向目标挖掘,预测得到训练遥感图像的有向伪标签;将所述训练遥感图像及其对应的真实水平边界框标签和有向伪标签输入到学生网络中,预测得到训练遥感图像的有向预测框;利用训练遥感图像的有向预测框和训练遥感图像的真实水平边界框标签,构建水平边界框损失;利用训练遥感图像的有向预测框和训练遥感图像的有向伪标签,构建有向边界框损失;通过联合水平边界框损失和有向边界框损失进行迭代训练以调整学生网络的参数,根据学生网络的参数进行指数滑动平均更新教师网络的参数,当损失函数达到收敛时,得到训练好的遥感图像有向目标检测模型。2.根据权利要求1所述的一种基于弱监督学习的遥感图像有向目标检测方法,其特征在于,将训练遥感图像的所述多角度旋转图像输入到教师网络进行有向目标挖掘,预测得到训练遥感图像的有向伪标签包括:将训练遥感图像的多角度旋转增强图像输入教师网络进行推断检测,获取每张旋转增强图像的有向预测框;把多角度旋转增强图像的有向预测框通过逆旋转变换投影到对应的训练遥感图像上;将训练遥感图像所对应的所有角度的有向预测框和真实水平边界框标签进行拼接,利用非极大值抑制算法去除其中重复的有向预测框,并从非极大值抑制算法的结果中去除真实水平边界框标签处的有向预测框;使用动态伪标签阈值过滤方式计算具有不同类别的有向预测框的置信度分数阈值;利用所述置信度分数阈值对有向预测框进行筛选,筛除其中低质量的有向预测框;将保留的有向预测框作为候选伪标签送入有向伪标签位置校正模块,筛除其中定位不可靠的候选伪标签,将最终保留的有向预测框作为对应训练遥感图像的有向伪标签。3.根据权利要求2所述的一种基于弱监督学习的遥感图像有向目标检测方法,其特征在于,所述使用动态伪标签阈值过滤方式计算不同有向预测框类别的置信度分数阈值包括:将原始遥感数据集中的所有训练遥感图像进行推断,统计不同类别有向预测框的置信度分数分布情况,选取每个类别靠前的置信度分数的均值作为下一轮训练中该类别的置信度分数阈值;
利用真实水平边界框标签和实时生成的有向伪标签对学生网络进行训练,直到整个数据集中的训练遥感图像都迭代一次;重复上述步骤,直到所有类别的置信度分数阈值都达到设定的最高阈值上限。4.根据权利要求2所述的一种基于弱监督学习的遥感图像有向目标检测方法,其特征在于,利用所述置信度分数阈值对有向预测框进行筛选包括当有向预测框的置信度分数大于等于设置的置信度分数阈值时则保留该有向预测框;否则丢弃该有向预测框。5.根据权利要求2所述的一种基于弱监督学习的遥感图像有向目标检测方法,其特征在于,所述使用有向伪标签位置校正模块筛除定位不可靠的候选伪标签包括:基于抖动系数在候选伪标签周围生成一组经过有向边界框抖动后的候选框;将一组抖动后的候选框送入教师网络的检测头,对候选框的位置进行细化回归,生成细化候选框;根据细化候选框的中心点位置和边界框的长宽尺寸,计算细...
【专利技术属性】
技术研发人员:杨烽,袁湘粤,蒲艺,赵悦,高陈强,舒文强,
申请(专利权)人:重庆邮电大学空间通信研究院,
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。