一种基于弱监督学习的遥感图像有向目标检测方法技术

本发明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，所述方法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；本发明专利技术只需利用少量标注的水平框目标，采用弱监督方法挖掘有向目标，实现遥感图像目标检测。本发明专利技术使用的弱监督数据集不仅降低了数据标注难度并减少了所需的标注框数量，有效降低了现有遥感图像有向目标检测方法对全监督数据集的依赖，减少了人工标注成本。成本。成本。

【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]获取待测遥感图像数据，并对待测遥感图像数据进行预处理；
[0006]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；
[0007]其中，遥感图像有向目标检测模型的训练过程包括：
[0008]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；
[0009]将所述训练遥感图像进行旋转数据增强，生成所述训练遥感图像的多角度旋转图像；
[0010]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；
[0011]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；
[0012]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；
[0013]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；
[0014]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。
[0015]本专利技术的有益效果在于：
[0016]本专利技术仅使用部分水平框标注作为弱监督训练数据集，通过一个基于多角度旋转变换的有向目标挖掘网络从输入图像中不断挖掘未标注的有向目标，并将挖掘出的有向目标作为伪标签加入后续训练中，使得网络最终能够检测出遥感图像中任意方向的感兴趣目标。相较于使用完全有向边界框标注的全监督数据集，本专利技术使用的弱监督数据集不仅降低了数据标注难度并减少了所需的标注框数量，有效降低了现有遥感图像有向目标检测方法对全监督数据集的依赖，减少了人工标注成本。同时，本专利技术对候选框的位置通过随机抖动进行细化回归，通过细化回归的方式来判断细化候选框的位置预测准确性，有效提升了生成的有效伪标签的定位准确性，从而进一步的提升整体目标检测的预测效果。
附图说明
[0017]图1为本专利技术的一种基于弱监督学习的遥感图像有向目标检测方法流程示意图；
[0018]图2为本专利技术的基于弱监督学习的有向目标检测框架示意图；
[0019]图3为本专利技术的教师网络和学生网络使用的遥感图像有向目标检测框架示意图；
[0020]图4为本专利技术的遥感图像有向目标检测模型训练流程图；
[0021]图5为本专利技术的遥感图像有向目标旋转变换示意图；
[0022]图6为本专利技术的真实水平框标注与有向伪标签示例图；
[0023]图7为本专利技术的动态伪标签阈值过滤方式中伪标签筛选阈值计算流程图；
[0024]图8为本专利技术的筛除定位不可靠的候选伪标签的流程图。
具体实施方式
[0025]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0026]图1是本专利技术实施例的一种弱监督学习的遥感图像有向目标检测方法流程图，如图1所示，该方法包括：
[0027]101、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；
[0028]102、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。
[0029]如图2所示，本专利技术提出的遥感图像有向目标检测模型主要由用于挖掘有向目标的教师网络和用于训练有向目标检测器的学生网络两部分组成。在每次迭代训练中，教师网络用于挖掘训练图像中未标注目标的方向信息，为学生网络提供有向伪标签；学生网络将原始的训练图像及其对应的水平框标注目标和教师网络生成的有向伪标签作为训练样
本，分别计算水平边界框损失和有向边界框损失，训练一个遥感图像有向目标检测器。教师网络和学生网络使用同一个遥感图像有向目标检测网络框架，教师网络的网络参数根据学生网络的网络参数进行指数滑动平均更新。
[0030]在本专利技术一些实施例中，本专利技术使用Oriented RCNN作为教师网络和学生网络的遥感图像有向目标检测框架，如图3所示，该框架包括：1)基于ResNet
‑
FPN的骨干网络，用于提取输入图像的特征图；2)Oriented RPN网络，用于生成有向区域候选框；3)Rotated RoI Align操作，用于提取固定大小尺寸的区域特征，并将这些特征作为Oriented R
‑
CNN Head检测头的输入；4)Oriented R
‑
CNN Head，对有向候选框进行前景分类和空间位置回归。
[0031]图4是本专利技术实施例的遥感图像有向目标检测模型的训练流程图，如图4所示，所述训练流程包括：
[0032]201、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；
[0033]在本专利技术实施例中，对所述原始遥感数据集进行预处理可以具体包括在所有原始遥感图像上以824像素的步长，利用滑动窗口的方式提取出1024
×
1024分辨率大小的子图本文档来自技高网...

【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：