一种遥感目标检测场景下的主动学习优化方法技术

本发明专利技术公开了一种遥感目标检测场景下的主动学习优化方法。包括：获取遥感目标检测数据集，并进行预处理，用已标记的训练集对改进之后的遥感目标检测模型进行训练；对未标记的训练集进行多维度不确定性综合采样；进行渐进式均衡采样，对已标记的训练集进行扩充；对改进之后的遥感目标检测模型用扩充后的已标记的训练集进行迭代，将训练好的遥感目标检测模型用于遥感目标的检测。本专利在采样策略设计中综合考虑了预测框的位置信息。通过综合评估样本的不确定性和预测框的准确性，能够更全面、准确地选择具有高不确定性且准确定位的样本，从而提高模型的训练效果。本专利更加关注目标的位置信息，有助于提高遥感目标检测的精度和定位能力。

【技术实现步骤摘要】

本专利技术涉及主动学习和遥感目标检测，主要涉及一种用于遥感目标检测场景的主动学习方法。

技术介绍

1、遥感技术具备广泛的应用前景，因为遥感目标检测技术可以基于更大的视角进行检测。传统的目标检测方法可能受限于局部视野或特定区域的数据，而通过遥感技术获取的卫星影像或航空影像具有较大的覆盖范围，可以同时捕捉到大片区域的目标信息。这使得遥感目标检测技术可以快速、高效地识别和分析城市中的各种目标，如建筑物、道路、绿地等，以及其在整个城市范围内的分布和关系。然而，训练一个高效的遥感目标检测器需要大量带标注的数据集，而遥感图像的大视角也带来了更大的标注成本。为了解决这一挑战，需要一种能够提高专家标注效率、以最小的标记成本训练高效模型的方法。

2、目前，主动学习技术已被广泛应用于解决数据标注成本高昂的问题。主动学习是一种主动选择样本进行标注的方法，以最大化模型性能提升和标注成本的节约。然而，在遥感目标检测领域，现有的主动学习方法在采样策略设计时存在一些关键问题。

3、专利申请号为cn202310074401.0，专利名称为“一种类别语义信息引导的遥本文档来自技高网...

【技术保护点】

1.一种遥感目标检测场景下的主动学习优化方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种遥感目标检测场景下的主动学习优化方法，其特征在于，步骤S1中的遥感目标检测数据集为遥感数据集DOTA-v1.0，进行的预处理包括对遥感数据集DOTA-v1.0内包含的原始图像的分割，然后将分割之后的原始图像进行增强处理；对于预处理之后的遥感数据集DOTA-v1.0，随机选取10％作为已标记的训练集，剩余作为未标记的训练集。

3.根据权利要求1所述的一种遥感目标检测场景下的主动学习优化方法，其特征在于，步骤S2中，选取ReDet检测器作为遥感目标检测模型，所述ReD...

【技术特征摘要】

1.一种遥感目标检测场景下的主动学习优化方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种遥感目标检测场景下的主动学习优化方法，其特征在于，步骤s1中的遥感目标检测数据集为遥感数据集dota-v1.0，进行的预处理包括对遥感数据集dota-v1.0内包含的原始图像的分割，然后将分割之后的原始图像进行增强处理；对于预处理之后的遥感数据集dota-v1.0，随机选取10％作为已标记的训练集，剩余作为未标记的训练集。

3.根据权利要求1所述的一种遥感目标检测场景下的主动学习优化方法，其特征在于，步骤s2中，选取redet检测器作为遥感目标检测模型，所述redet检测器的特征提取骨干网络backbone为50层的旋转等变残差神经网络reresnet，所述redet检测器的目标检测部分串接主动选择模块，所述主动选择模块用于多维度不确定性综合采样和渐进式均衡采样。

4.根据权利要求3所述的一种遥感目标检测场景下的主动...

【专利技术属性】
技术研发人员：张明广，张婧炜，梁栋，陈松灿，黄圣君，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：