[发明专利]基于剪枝策略构建卷积神经网络的遥感图像目标检测方法

权利要求书

1.一种基于剪枝策略构建卷积神经网络的遥感图像目标检测方法，其特征在于：至少包括以下步骤：

步骤一、对目标检测训练数据集进行预处理，使得训练集正负比例达到均衡，输出区域提取训练数据集和目标分类训练数据集；

步骤二、使用遥感图像公共数据集AID（Aerial Image Dataset）对初始网络进行预训练，获得稠密网络DN(Dense Network)；

步骤三、对步骤二得到的DN，使用目标分类训练数据集，采用基于网络剪枝技术的稠密-稀疏训练方式进行训练，获得训练后稀疏网络SN(Sparse Network)；恢复训练后SN剪掉的枝，对训练后SN采用稠密训练，使用目标分类训练数据集，获得精确目标分类网络AOCN（Accurate Region Classification Network）；

步骤四、提取步骤三中间得到的训练后SN第一到第五卷积层，为五层卷积层添加区域分类层和包围盒回归层，获得原始区域提取网络ORPN（Original Region ProposalNetwork）；对ORPN，使用区域提取训练数据集，采用基于网络剪枝技术的稀疏-稀疏的训练方式，获得快速区域提取网络FRPN(Fast Region Proposal Network)；

步骤五、从目标检测测试数据集，使用高斯金字塔方法，得到多尺度图像金字塔，再由FRPN生成多尺度热度图金字塔，结合形成一张得分热度图，通过统一调节大小，生成四张位置热度图，根据峰值热度点，粗略预测候选区域宽高，最后输入AOCN获得目标位置和类别标签。

2.根据权利要求1所述的一种基于剪枝策略构建卷积神经网络的遥感图像目标检测方法，特征在于：步骤一中采用如下方法对目标检测训练数据集进行预处理：利用目标检测训练数据集的位置标签，从目标检测训练数据集中位置标签标注的区域，在正负比例均衡及交并比IoU（Intersection over Union）的指导下，生成区域提取训练数据集正样例及负样例和目标分类训练数据集正样例和负样例；上述操作能有效避免网络学到更多背景信息、较少目标特征信息，并为训练两个任务不同的网络提供合适训练集。

3.根据权利要求1所述的一种基于剪枝策略构建卷积神经网络的遥感图像目标检测方法，其特征在于：所述步骤三中采用如下方法训练以得到AOCN：对步骤二得到的DN采用稠密训练，获得训练后DN；利用网络剪枝技术，对训练后DN进行剪枝，得到SN；对SN采用稀疏训练，得到训练后SN；恢复训练后SN剪掉的连接，得到DN；对DN采用稠密训练，得到AOCN；以上训练均采用目标分类训练，数据集为训练集；使用稠密-稀疏-稠密训练方式，可让目标分类网络在学习出网络中重要连接的基础上，增加网络的容量，从而使网络达到一个更好的局部最小值，比现有分类网络精确度更好。

4. 根据权利要求1所述的一种基于剪枝策略构建卷积神经网络的遥感图像目标检测方法，其特征在于：步骤四中对步骤三训练后SN的前5层卷积层，添加区域分类层和包围盒回归层组成新的网络ORPN；对ORPN采用稀疏训练，得到训练后ORPN；利用网络剪枝技术，对训练后ORPN进行剪枝，得到稀疏区域提取网络SRPN（Sparse Region Proposla Network）；对SRPN采用稀疏训练，得到训练后FRPN；以上训练使用区域提取训练数据集为训练集；使用基于网络剪枝技术的稠密-稀疏-稀疏训练方式训练出的深度神经网络稀疏性强、冗余参数少，可比现有区域提取方法更精确、更快速地提取出区域块。

5.根据权利要求1所述的一种基于剪枝策略构建卷积神经网络的遥感图像目标检测方法，其特征在于：所述步骤五中从目标检测测试数据集生成多尺度图像金字塔，将图像金字塔输入步骤四得到的FRPN，获得多尺度热度图金字塔；将热度图金字塔中的热度图统一尺寸、保留峰值、合并，获得得分热度图和四张位置热度图；利用阈值过滤掉得分热度图的低热点，采用圆扫描器对得分热度图进行扫描，获得峰值位置；利用聚集在峰值周围的热度点，获得粗糙宽度与粗糙高度；从四张位置热度图对应峰值位置，获得偏移值；利用偏移值对候选区域块中心位置、粗糙宽度、粗糙高度进行微调，获得候选区域块位置；利用候选区域块位置和原图，获得候选区域块；将候选区域块输入AOCN，获得候选区域块的类别标签；用多尺度图像金字塔，将大尺度图像处理成热度图，从热度图中预测候选区域块，比现有技术直接将图像输入网络或者直接切分图像的方式提取速度快、漏检率低、准确率高。