【技术实现步骤摘要】
本专利技术涉及计算机视觉，特别是关于一种基于半监督学习的航空影像有向目标检测方法。
技术介绍
1、对物体进行识别和定位是计算机视觉一项重要的任务之一，随着gpu硬件条件的提高和海量数据的增长，基于深度学习的目标检测方法取得了巨大的进步。
2、然而，在处理航空影像等大规模、复杂场景的目标检测问题时，仍存在一些挑战：
3、(1)传统的监督学习方法在面对有向目标时效果有限。由于俯视的拍摄视角，航空影像中的目标可能以多个不同的方向和角度出现，传统的监督学习模型很难覆盖所有旋转变化的情况，导致检测性能不稳定。
4、(2)航空影像数据通常规模庞大，但具有标记的训练数据相对较少，这使得监督学习模型的泛化能力受到限制。在实际应用中，获取大规模标注数据的成本较高，而且可能存在标注不准确的问题，进一步影响模型的性能。
5、(3)航空图像中各个类别的实例存在较大的尺寸差异，这种实例级别的尺度差异会给目标检测，尤其是密集小目标检测带来困难。
6、(4)航空图像中的不同数据集之间的图像比例尺分布差异可能...
【技术保护点】
1.一种基于半监督学习的航空影像有向目标检测方法，其特征在于，所述方法，包括：
2.根据权利要求1所述的基于半监督学习的航空影像有向目标检测方法，其特征在于，在第二阶段的每一个迭代中，依次执行：
3.根据权利要求2所述的基于半监督学习的航空影像有向目标检测方法，其特征在于，所述预设数目的不同尺度的无标注训练图像，具体包括图像集I1、I2和I3，其比例尺的比值为4：2：1。
4.根据权利要求3所述的基于半监督学习的航空影像有向目标检测方法，其特征在于，所述半监督学习框架初始化后的学生模型和教师模型为相同网络架构和相同权重的卷积神经网络
...
【技术特征摘要】
1.一种基于半监督学习的航空影像有向目标检测方法，其特征在于，所述方法，包括：
2.根据权利要求1所述的基于半监督学习的航空影像有向目标检测方法，其特征在于，在第二阶段的每一个迭代中，依次执行：
3.根据权利要求2所述的基于半监督学习的航空影像有向目标检测方法，其特征在于，所述预设数目的不同尺度的无标注训练图像，具体包括图像集i1、i2和i3，其比例尺的比值为4：2：1。
4.根据权利要求3所述的基于半监督学习的航空影像有向目标检测方法，其特征在于，所述半监督学习框架初始化后的学生模型和教师模型为相同网络架构和相同权重的卷积神经网络模型。
5.根据权利要求4所述的基于半监督学习的航空影像有向目标检测方法，其特征在于，所述第一阶段的训练，利用有标注图像进行预设次数的有监督训练，得到第一阶段训练完成的学生模型。
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。