本发明专利技术提出了一种基于焦点旋转交并比边框回归损失的有向目标检测方法，其步骤如下：以带标注的高分辨率遥感图像为训练图像，训练粗略有向候选框生成模块；粗略有向候选框生成模块的损失函数是二分类损失函数和边框回归损失函数的联合损失；将粗略有向候选生成模块生成的粗略有向候选框送入到精细有向候选生成模块进行训练；以精细有向候选框作为候选目标框训练区域检测模块；精细有向候选生成模块和区域检测模块采用焦点旋转交并比回归损失函数；将待检测的高分辨率遥感图像输入目标检测模型，获得感兴趣目标的位置和类别。本发明专利技术提出的旋转交并比损失和焦点旋转交并比损失可以提供更好的性能，能够使目标检测模型的定位更加准确。
【技术实现步骤摘要】
本专利技术涉及深度学习中目标检测的，尤其涉及一种基于焦点旋转交并比边框回归损失的有向目标检测方法。
技术介绍
1、高分辨率遥感图像目标检测是光学遥感图像处理领域中最重要的任务之一，致力于定位并识别高分遥感图像中的高价值地物目标。随着高分重大专项(国家科技发展中长期规划16个重大专项之一)的实施，我国遥感数据的获取技术发展较快，对遥感大数据的挖掘就成了高分重大专项的关键环节，高分遥感图像目标检测正是遥感大数据挖掘的关键技术之一，也是环境监测、防灾减灾、军事侦察和精确打击等应用的核心问题之一，具有重要的民用和军事应用价值。
2、高分辨率遥感图像目标检测的方法有多种，依据高分辨率遥感图像目标检测的发展阶段不同可分为基于手工特征和基于数据驱动两大类。由于基于数据驱动的方法具备强大的特征表达能力，因而成为高分辨率遥感图像目标检测领域的主流方法。基于数据驱动的方法根据网络层的深度不同又可分为浅层学习和深度学习两类。其中，基于深度学习的方法比基于浅层学习的方法检测精度高，因而基于深度学习的目标检测方法广泛应用于高分辨率遥感图像的目标检测领域。
3、基于深度学习的目标检测方法主要包括一阶段方法和两阶段方法。相对于两阶段方法，一阶段方法由于检测精度相对较低，因而在高分辨率遥感图像目标检测领域的应用受到一定的局限。两阶段的目标检测方法包含候选区域生成网络和区域检测模块两个部分，其中区域检测模块的边框回归损失函数主要采用smooth l1损失函数优化边框位置，但此损失函数未能直接优化评价指标，这在一定程度上限制了优化的效果。</p>
技术实现思路
1、针对现有目标检测方法的损失函数未能直接优化评价指标，检测精度低的技术问题，本专利技术提出一种基于焦点旋转交并比边框回归损失的有向目标检测方法，将损失函数与评价指标直接建立联系，并且在优化过程中能够自适应地改变梯度，从而进一步提升高分辨率遥感图像目标检测的精度。
2、为了达到上述目的，本专利技术的技术方案是这样实现的：一种基于焦点旋转交并比边框回归损失的有向目标检测方法，其步骤如下：
3、步骤一：以带标注的高分辨率遥感图像为训练图像，训练粗略有向候选框生成模块；粗略有向候选框生成模块的损失函数是二分类损失函数和边框回归损失函数的联合损失；
4、步骤二：将训练完成的粗略有向候选生成模块生成的粗略有向候选框送入到精细有向候选生成模块，采用焦点旋转交并比回归损失函数对精细有向候选框生成模块进行训练；
5、步骤三：训练区域检测模块：以精细有向候选框作为候选目标框训练区域检测模块；其中，区域检测模块的边框回归损失函数采用焦点旋转交并比回归损失函数；
6、步骤四：训练后的粗略有向候选框生成模块、精细有向候选框生成模块和区域检测模块组成目标检测模型，将待检测的高分辨率遥感图像输入目标检测模型，获得待检测的高分辨率遥感图像的感兴趣目标的位置和类别。
7、优选地，所述训练粗略有向候选框生成模块的方法为：
8、步骤1.1：根据宽高比对训练图像及目标位置进行预处理：根据宽高比从小到大进行排序，训练图像的宽高比限制在0.5-2.0之间，对宽高比小于0.5或大于2.0的训练图像进行裁剪，并将训练图像的短边设置为800像素，根据宽高比自动调整长边；训练图像中目标的位置也同样根据宽高比进行调整；
9、步骤1.2：将经过预处理后的训练图像输入特征金字塔主干网络，通过多层卷积、激活和池化操作完成特征提取得到多尺度特征。
10、步骤1.3：对于多尺度特征的每个尺度的特征先进行3×3的卷积操作，再分别利用三个1×1的卷积层分别得到三个特征图，根据特征图的每个像素点对应位置对真实框的分数、距离和角度进行预测，得到预测的粗糙有向框的分数、到粗略有向框四个边框的位置和粗略有向框的角度，将预测的角度和距离合并得到粗略有向候选框。
11、优选地，采用反向传播和随机梯度下降的方法对粗略有向候选框生成模块进行优化，且粗略有向候选框生成模块的损失函数为：
12、
13、且
14、
15、
16、其中，c和分别表示训练图像中训练样本被预测为目标的概率和对应的二值真实标签；lctr(c,c*)表示二分类损失函数；t和分别表粗略有向候选框的中心点到四个边的距离和训练图像的训练样本标注的真实框的中心点到四个边框的真实距离；θ和分别表示粗略有向候选框和真实框的角度；n和npos分别表示训练样本的数量和训练样本中正样本的数量；和分别表示距离和角度的smooth l1损失函数。
17、优选地，所述训练精细有向候选框生成模块的方法为：
18、步骤2.1：将输入的粗略有向候选框进行对齐卷积得到对齐特征；
19、步骤2.2：将生成的对齐特征分别用两个1×1的卷积层得到一个h×w×1和一个h×w×5特征图，h×w×1特征图用来预测精细有向候选框是前景的概率，h×w×5特征图是对粗略有向候选框的宽、高、中心点和角度进行预测得到精细有向候选框。
20、优选地，所述精细有向候选框生成模块的损失函数为：
21、
22、其中，d∈[0,1]表示精细有向候选框的分类分支预测的精细有向候选框为前景的概率，d*∈{0,1}为每个粗略有向候选框分配的二进制标签；lcls(d,d*)表示二分类损失函数，且：
23、lcls(d,d*)＝-(d*·logd+(1-d*)·log(1-d))；
24、焦点旋转交并比回归损失函数lreg(po,go)为：
25、
26、其中，po和go分别表示精细有向候选框和训练图像对训练样本标注的真实框；friou(po,go)表示焦点旋转交并比回归损失函数，κ是用来控制梯度改变速率的超参数，riou(po,go)表示精细有向候选框po和真值框go的旋转交并比。
27、优选地，所述旋转交并比riou(po,go)为：
28、
29、
30、
31、
32、
33、其中，cp和cg分别代表精细有向候选框po和真值框go的中心点；ρ(cp,cg)表示中心点cp和cg的欧式距离；(wp,hp)、(wg,hg)和(ws,hs)分别代表精细有向候选框po的最小水平外接矩形p、精细有向候选框go的水平最小外界矩形g以及p与g的水平最小外接矩形s的宽和高；ds是水平最小外接矩形s对角线的长度。mp和mg分别代表精细有向候选框po的水平最小外接矩形p和真实框go的水平最小外接矩形g的上边框的中点；m′p和m′g分别代表水平最小外接矩形p和水平最小外接矩形g的右边框的中点；np和n′p分别代表水平最小外接矩形p与精细有向候选框po的上边框、右边框的交点，ng和n′g分别代表水平最小外接矩形g与真实框go的上边框、右边框的交点；以输入的高分辨率遥感图像左上角坐标原点，上边框为x轴正半轴，左本文档来自技高网
...
【技术保护点】
1.一种基于焦点旋转交并比边框回归损失的有向目标检测方法，其特征在于，其步骤如下：
2.根据权利要求1所述的基于焦点旋转交并比边框回归损失的有向目标检测方法，其特征在于，所述训练粗略有向候选框生成模块的方法为：
3.根据权利要求1或2所述的基于焦点旋转交并比边框回归损失的有向目标检测方法，其特征在于，采用反向传播和随机梯度下降的方法对粗略有向候选框生成模块进行优化，且粗略有向候选框生成模块的损失函数为：
4.根据权利要求3所述的基于焦点旋转交并比边框回归损失的有向目标检测方法，其特征在于，所述训练精细有向候选框生成模块的方法为：
5.根据权利要求1或4所述的基于焦点旋转交并比边框回归损失的有向目标检测方法，其特征在于，所述精细有向候选框生成模块的损失函数为：
6.根据权利要求5所述的基于焦点旋转交并比边框回归损失的有向目标检测方法，其特征在于，所述旋转交并比RIoU(Po,Go)为：
7.根据权利要求6所述的基于焦点旋转交并比边框回归损失的有向目标检测方法，其特征在于，所述旋转交并比RIoU(Po,Go)的计算方法为：
8.根据权利要求6或7所述的基于焦点旋转交并比边框回归损失的有向目标检测方法，其特征在于，所述区域检测模块的损失函数为：
9.根据权利要求8所述的基于焦点旋转交并比边框回归损失的有向目标检测方法，其特征在于，所述训练区域检测模块的方法为：
10.根据权利要求9所述的基于焦点旋转交并比边框回归损失的有向目标检测方法，其特征在于，所述粗略有向候选框生成模块的训练分别在多个特征层进行；粗略有向候选框生成模块的特征提取网络采用在ImageNet预训练过的深度模型，粗略有向候选框生成模块的其余网络参数采用服从均值为0、方差为0.01的高斯分布进行随机初始化；
...
【技术特征摘要】
1.一种基于焦点旋转交并比边框回归损失的有向目标检测方法，其特征在于，其步骤如下：
2.根据权利要求1所述的基于焦点旋转交并比边框回归损失的有向目标检测方法，其特征在于，所述训练粗略有向候选框生成模块的方法为：
3.根据权利要求1或2所述的基于焦点旋转交并比边框回归损失的有向目标检测方法，其特征在于，采用反向传播和随机梯度下降的方法对粗略有向候选框生成模块进行优化，且粗略有向候选框生成模块的损失函数为：
4.根据权利要求3所述的基于焦点旋转交并比边框回归损失的有向目标检测方法，其特征在于，所述训练精细有向候选框生成模块的方法为：
5.根据权利要求1或4所述的基于焦点旋转交并比边框回归损失的有向目标检测方法，其特征在于，所述精细有向候选框生成模块的损失函数为：
6.根据权利要求5所述的基于焦点旋转交并比边框回归损失的有向目标检测方...
【专利技术属性】
技术研发人员：钱晓亮，赵家琨，吴保坤，曾黎，王慰，程塨，姚西文，张秋闻，刘向龙，岳伟超，任航丽，吴青娥，王芳，刘玉翠，
申请(专利权)人：郑州轻工业大学，
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。