【技术实现步骤摘要】
本专利技术涉及旋转目标检测，尤其涉及一种基于特征回归的旋转目标分类与定位算法。
技术介绍
1、当今世界，空间技术已经成为许多领域研究和应用的基础，其中遥感技术被广泛应用于地理领域。遥感是指利用一系列的传感器来获取地球表面信息并传回地球之上的源点，具有全天候、全地形、多光谱和高精度等优点，因此被广泛应用于地球科学、环境科学、城市规划、房地产、交通运输等领域。
2、遥感图像处理领域的一个重要任务是遥感目标检测，遥感目标检测是指利用遥感技术获取的卫星、航空或地面图像数据，对其中的目标进行自动识别和定位的过程。随着数字图像处理技术和人工智能技术的不断发展，遥感目标检测技术的精度和准确度得到了极大提升，并且被广泛应用于地质勘探、土地利用规划、水资源管理、物资运输等各个领域。
3、深度学习算法是一种广泛应用于遥感目标检测的方法，通过卷积神经网络学习训练集并对未知数据进行分类，相比于传统的机器学习算法，它能够显著提高目标检测的准确度。目前遥感目标检测方向的深度学习算法一般是通过对水平目标检测算法进行修改得到的，最常用的检测框架是r-cnn，该检测框架属于两阶段算法，首先通过区域推荐网络对特征进行提取得到感兴趣的区域，然后在感兴趣区域上面进行分类和回归，该方法能够提高检测的精确度，但检测速度有待提升。单阶段检测器直接对骨干网络所提取的特征进行分类和回归，相比于两阶段网络少了生成感兴趣区域的操作，因此检测速度得到了提高，然而精度稍逊一筹。
4、尽管直接使用水平目标检测器检测旋转目标取得了一些成功。但是使用水平方
5、然而，旋转方框的使用又给遥感目标检测带来了独特的挑战。相比于水平方框，旋转方框蕴含有角度信息，而角度的周期性严重影响旋转方框的表示。角度的微小变化都会导致旋转方框表示产生巨大变化，例如在opencv 4.5.1之后的版本中，旋转角度的定义范围是(0,90°]，根据该定义，当旋转方框连续旋转到角度的临界点时，角度就会由于周期性而剧烈变化，此时方框的宽高也会发生交换。这就是旋转目标检测中所面临的难题——角度周期性和边框的可交换性。为了缓解边框的可交换性，人们提出了长边定义法，通过规定唯一的长边来解决边框交换，但是在检测正方形的目标时，由于正方形的长边不能够唯一确定，导致同一个方框会出现多种表示。
6、简单的旋转方框定义会产生不一致问题，因此人们通过重新定义一个复杂的旋转方框来解决问题。例如dhrec提出用双水平矩形编码旋转对象来解决不连续问题。具体来说，对于一个旋转方框，将其四个顶点的水平坐标和垂直坐标分别按从左到右的方向和自顶向下的顺序排列。第一个水平坐标与第三个垂直坐标、第二个水平坐标与第四个垂直坐标分别组成第一个矩形的一条对角线。第二个水平坐标与第四个垂直坐标、第四个水平坐标与第二个垂直坐标分别组成另一个矩形的一条对角线。通过该种方式，构造两个矩形来表示一个旋转方框，能够消除角度的概念，解决边框的可交换性问题。bbavectors扩展了基于中心关键点的目标检测器，使用向量来描述旋转边界框。具体来说，以旋转方框的中心点为坐标原点，以每条边的中点为终点，使用四个向量来描述旋转方框。由于向量本身具有方向属性，因此该旋转方框定义方法也能够解决角度的周期性问题。oriented reppoints另辟蹊径，使用点集的方式来定义一个旋转方框，该表示方法使用自适应点作为细粒度表示，能够精确的捕获每一个目标在任意方向、杂乱和非轴对齐的关键几何特征。并且引入了质量评估和样本分配方案来测量和选择高质量的点样本进行训练，因此该方法不存在角度的周期性和边框的可交换性的问题。
7、也有研究人员通过优化或者设计一个新的损失函数来解决问题。常规的损失函数，例如平滑l1损失，它默认输入变量之间是相互独立。然而旋转方框的宽高与角度之间都不是独立变量，它们之间相互影响，一个参数的改变会导致其他参数做一些调整。因此平滑l1损失的使用会导致交并比评估和回归损失之间的不一致。而gwd损失通过高斯沃瑟斯坦距离将旋转的边界框转换为二维高斯分布。利用高斯分布的性质计算距离损失，可以很好地避免不一致问题。并且gwd对两个旋转边界框之间没有重叠的情况，也能够提供很好的学习信息。kfiou损失使用高斯分布的乘积直接对skewiou损失的计算机机制进行建模，无需引入额外的超参数和额外的调参，且能够很容易地实现。也有的研究人员将平滑l1损失进行调整，例如在scrdet中，交并比系数被引入到传统的平滑l1损失中，以解决损失突然增长的问题。损失的突然增长通常是在角度边界情况下，而交并比系数以平滑l1计算的损失为分母，以交并比为分子，当l1计算的损失变化过大时，该iou系数就会变得很小，在一定程度上解决了损失陡增的问题。
8、总的来说，遥感目标检测经过一代又一代人的研究，检测效果有了很大的提升，但是现有旋转目标检测算法的检测性能还有进一步提高的可能。
技术实现思路
1、本专利技术针对上述问题，提出一种基于特征回归的旋转目标分类与定位算法，设计了一种新的损失函数，把边框回归问题转换为特征回归问题，在使用常规的旋转目标表示方法的情况下，依然能够得到很好的检测效果。
2、为了实现上述目的，本专利技术采用以下技术方案：
3、一种基于特征回归的旋转目标分类与定位算法，包括：
4、步骤1，构建旋转目标检测模型，该模型包括骨干网络、特征金字塔网络、区域推荐网络、自适应特征聚合模块以及检测头；所述骨干网络用于对输入图片中的特征进行提取，得到包含低层位置信息和高层语义信息的多尺度特征；所述特征金字塔网络用于对低层位置信息和高层语义信息进行融合，得到融合后的多尺度特征；所述自适应特征聚合模块用于对融合后的多尺度特征进行聚合，生成单尺度特征信息；所述区域推荐网络用于基于融合后的多尺度特征生成建议框；所述检测头用于分别基于融合后的多尺度特征、单尺度特征信息对建议框进行类别和边框预测；
5、步骤2，分别构建类别和边框预测时的损失函数，并基于构建的损失函数进行旋转目标检测模型训练；
6、步骤3，将遥感图像输入训练好的旋转目标检测模型中，进行旋转目标分类与定位。
7、进一步地，所述骨干网络采用残差神经网络resnet101。
8、进一步地，所述自适应特征聚合模块具体用于：
9、首先对不同尺度的特征图进行最邻近上采样到同一尺度下，然后使用1×1卷积对特征图的通道数进行调整，在通道维度将特征图连接起来，再使用1×1卷积把特征图的通道数进一步调整到5个通道，使用softmax归一化函数获取每个特征图的权重，将权重应用到最邻近上采样到同一尺度下所得到的特本文档来自技高网...
【技术保护点】
1.一种基于特征回归的旋转目标分类与定位算法，其特征在于，包括：
2.根据权利要求1所述的一种基于特征回归的旋转目标分类与定位算法，其特征在于，所述骨干网络采用残差神经网络ResNet101。
3.根据权利要求1所述的一种基于特征回归的旋转目标分类与定位算法，其特征在于，所述自适应特征聚合模块具体用于：
4.根据权利要求1所述的一种基于特征回归的旋转目标分类与定位算法，其特征在于，所述区域推荐网络具体用于：
5.根据权利要求1所述的一种基于特征回归的旋转目标分类与定位算法，其特征在于，还包括：建议框分配和采样模块，所述建议框分配和采样模块用于对建议框进行分配和采样。
6.根据权利要求5所述的一种基于特征回归的旋转目标分类与定位算法，其特征在于，所述建议框分配和采样模块具体用于：
7.根据权利要求1所述的一种基于特征回归的旋转目标分类与定位算法，其特征在于，所述步骤2中，使用交叉熵损失函数作为类别预测时的损失函数。
8.根据权利要求1所述的一种基于特征回归的旋转目标分类与定位算法，其特征在于，所述步
9.根据权利要求8所述的一种基于特征回归的旋转目标分类与定位算法，其特征在于，所述映射操作如下式所示：
...【技术特征摘要】
1.一种基于特征回归的旋转目标分类与定位算法，其特征在于，包括：
2.根据权利要求1所述的一种基于特征回归的旋转目标分类与定位算法，其特征在于，所述骨干网络采用残差神经网络resnet101。
3.根据权利要求1所述的一种基于特征回归的旋转目标分类与定位算法，其特征在于，所述自适应特征聚合模块具体用于：
4.根据权利要求1所述的一种基于特征回归的旋转目标分类与定位算法，其特征在于，所述区域推荐网络具体用于：
5.根据权利要求1所述的一种基于特征回归的旋转目标分类与定位算法，其特征在于，还包括：建议框分配和采样模块，所述建议框分配和采样模块用于...
【专利技术属性】
技术研发人员：朱小柯，胡齐，陈小潘，李博源，李明浩，
申请(专利权)人：河南大学，
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。