一种基于目标检测的遥感图像变形下采样方法技术

本发明专利技术属于深度学习技术领域，公开了一种基于目标检测的遥感图像变形下采样方法，提出一种混合高斯变形模块，用于生成变形下采样的遥感图像；根据混合高斯变形模块与下游的相关性，将高分辨率图像自适应为变形的低分辨率图像目标检测任务；混合高斯变形模块由高斯密度网络、变形下采样网格生成网络和可变形采样器三部分组成。本发明专利技术研究了大尺度高分辨率图像遥感目标检测的速度和准确度相平衡的问题，并提出一种有效的旨在减少计算负荷的同时提高检测性能的方法。本发明专利技术通过该方法推动深度学习技术在遥感目标检测领域的效率问题处理上取得突破性进展。

【技术实现步骤摘要】

本专利技术属于深度学习，涉及一种结合目标检测任务的图像变形下采样方法，用于生产高质量的低分辨率图像。

技术介绍

1、目前，与本专利技术相关的技术包括两方面：第一是图像下采样算法；第二是目标检测算法。

2、图像下采样是计算机视觉任务中常用的预处理算法。图像下采样有以下几个目的： (1)确保批量训练过程中模型输入图片的空间分辨率一致；(2)减少训练所需的gpu内存；(3)加快训练和推理过程。最近，基于目标检测任务驱动的图像下采样方法已经表明，通过考虑特定的目标检测任务，如分类和分割，可以改进图像下采样算法的效果。recasens等人发表的“learning to zoom: a saliency-based sampling layer for neuralnetworks”中设计了一个基于分类显著性特征的变形模块，该变形模块以卷积神经网络（cnn）为基本结构，改进了基于分类任务的图像下采样算法。talebi等人发表的“learningto resize images for computer vision tasks”联合训练了基于cnn的视觉调本文档来自技高网...

【技术保护点】

1.一种基于目标检测的遥感图像变形下采样方法，其特征在于，本方法提出一种混合高斯变形模块，定义为，用于生成变形下采样的遥感图像；根据混合高斯变形模块与下游的相关性，将高分辨率图像自适应为变形的低分辨率图像目标检测任务；混合高斯变形模块由高斯密度网络、变形下采样网格生成网络和可变形采样器三部分组成；高斯密度网络采用一个完全卷积的网络架构，由卷积核大小分别为9x9和7x7的卷积层组成，在卷积层后应用批次归一化和整流线性单元函数；变形下采样网格生成网络选择混合高斯滤波器作为一个卷积层，其权重值符合混合高斯分布，相对坐标系为固定的二维矩阵；可变形采样器使用PyTorch函数实现；

【技术特征摘要】

1.一种基于目标检测的遥感图像变形下采样方法，其特征在于，本方法提出一种混合高斯变形模块，定义为，用于生成变形下采样的遥感图像；根据混合高斯变形模块与下游的相关性，将高分辨率图像自适应为变形的低分辨率图像目标检测任务；混合高斯变形模块由高斯密度网络、变形下采样网格生成网络和可变形采样器三部...

【专利技术属性】
技术研发人员：赵文达，张骁，王海鹏，刘颢，杨向广，夏学知，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：