[发明专利]一种基于区域候选网络的目标检测方法及系统

权利要求书

1.一种基于区域候选网络的目标检测方法，其特征在于，包括以下步骤：

步骤1：采集遥感数据集，并划分为训练集、验证集和测试集；

步骤2：生成包含感兴趣对象的裁剪区域；

步骤2的具体实现包括以下子步骤：

步骤2.1：通过弱语义特征抽取网络生成只考虑前景和背景语义及定位功能的弱语义特征，同时基于弱语义特征来进行区域假设；

在弱语义特征抽取网络中，通过削减每个卷积层的通道数来简化特征表达能力，其中弱化的特征图仅保留对感兴趣对象ROI整体定位能力及边界锁定能力，以及区分前景和背景语义，而不考虑ROI所属的具体类别语义；每个卷积层通道数减少到传统特征抽取网络的相应地，弱语义特征抽取网络的损失函数定义为：

其中，预测边界框的损失函数与目标检测网络Faster-RCNN一样，对象分类的损失函数定义为前景损失函数L_fore，p_i是预测第i个建议区域是前景的可能性，如果对应的i个建议区域是前景，则为1，否则设为0，N_fore为预测类别数量，L_reg表示为边界损失函数，其中t_i表示边界元素的预测值，表示边界元素的真实值；N_reg表示边界元素，包括中心点坐标(x,y)和宽高(w,h)；λ用于控制两个损失的比例；

步骤2.2：生成裁剪区域；

通过弱语义RPN网络来获取每个预测对象的位置与边界，筛选合并邻近预测区域来生成感兴趣的裁剪区域，以减少裁剪区域数量，并进行目标检测实现对大尺度图像的整体检测；

所述进行目标检测实现对大尺度图像的整体检测，具体实现包括以下子步骤：

步骤2.2.1输入弱语义特征抽取网络输出的裁剪区域B＝{b₁,b₂,...,b_n}，一个范围阈值τ；

步骤2.2.2：基于范围阈值τ，将整个B的设置分为两个子集B_s,B_l；把预测尺度大于τ的预测区域归入子集B_l中，把预测尺度小于τ的归于子集B_s中；

步骤2.2.3：把B_l中所有大于τ的预测区域，通过进行空间相邻的区域合并，但合并后的区域尺度的缩放尺度不能超过计算机的最大处理尺度，来生成预裁剪区域；迭代该操作，最终生成大预测尺度剪裁区域集CR_l；

把B_s中所有小于τ的预测区域，通过进行空间相邻的区域合并，但合并后的区域尺度不能超过计算机的最大处理尺度，最终生成预裁剪区域；迭代该操作，最终生成小预测尺度剪裁区域集CR_s；

步骤3：执行每个剪裁区域的对象检测；

步骤4：合并多个裁剪区域的检测结果，并去除冗余检测结果，得到最后检测结果。

2.根据权利要求1所述的基于区域候选网络的目标检测方法，其特征在于，步骤3的具体实现过程是：针对裁剪区域网络CRPN输出两个不同尺度的剪裁区域CR_s和CR_l，分别进行不同的数据预处理以训练目标检测网络；

对于CR_s中的小预测尺度裁剪区域，首先根据每个裁剪区域获取裁剪后的子图像和对应的真实标签，然后对目标检测网络进行训练；

对于CR_l中的大预测尺度裁剪区域，将裁剪后的子图像缩小，并设定尺度阈值以过滤掉尺度小于阈值的真实标签；然后对目标检测网络进行训练。

3.根据权利要求1所述的基于区域候选网络的目标检测方法，其特征在于：步骤4中，通过NMS算法去除冗余，以得到最后的大尺度图像检测结果。

4.一种基于区域候选网络的目标检测系统，其特征在于：包括遥感数据集采集划分模块、裁剪模块、对象检测模块、检测结果生成模块；

所述遥感数据集采集划分模块，用于采集遥感数据集，并划分为训练集、验证集和测试集；

所述裁剪模块，用于生成包含感兴趣对象的裁剪区域；具体实现包括以下子模块：

子模块2.1，用于通过弱语义特征抽取网络生成只考虑前景和背景语义及定位功能的弱语义特征，同时基于弱语义特征来进行区域假设；

在弱语义特征抽取网络中，通过削减每个卷积层的通道数来简化特征表达能力，其中弱化的特征图仅保留对感兴趣对象ROI整体定位能力及边界锁定能力，以及区分前景和背景语义，而不考虑ROI所属的具体类别语义；每个卷积层通道数减少到传统特征抽取网络的相应地，弱语义特征抽取网络的损失函数定义为：

其中，预测边界框的损失函数与目标检测网络Faster-RCNN一样，对象分类的损失函数定义为前景损失函数L_fore，p_i是预测第i个建议区域是前景的可能性，如果对应的i个建议区域是前景，则为1，否则设为0，N_fore为预测类别数量，L_reg表示为边界损失函数，其中t_i表示边界元素的预测值，表示边界元素的真实值；N_reg表示边界元素，包括中心点坐标(x,y)和宽高(w,h)；λ用于控制两个损失的比例；

子模块2.2，用于生成裁剪区域；

通过弱语义RPN网络来获取每个预测对象的位置与边界，筛选合并邻近预测区域来生成感兴趣的裁剪区域，以减少裁剪区域数量，并进行目标检测实现对大尺度图像的整体检测；

所述进行目标检测实现对大尺度图像的整体检测，具体实现包括以下子模块：

子模块2.2.1，用于输入弱语义特征抽取网络输出的裁剪区域B＝{b₁,b₂,...,b_n}，一个范围阈值τ；

子模块2.2.2，用于基于范围阈值τ，将整个B的设置分为两个子集B_s,B_l；把预测尺度大于τ的预测区域归入子集B_l中，把预测尺度小于τ的归于子集B_s中；

子模块2.2.3，用于把B_l中所有大于τ的预测区域，通过进行空间相邻的区域合并，但合并后的区域尺度的缩放尺度不能超过计算机的最大处理尺度，来生成预裁剪区域；迭代该操作，最终生成大预测尺度剪裁区域集CR_l；

把B_s中所有小于τ的预测区域，通过进行空间相邻的区域合并，但合并后的区域尺度不能超过计算机的最大处理尺度，最终生成预裁剪区域；迭代该操作，最终生成小预测尺度剪裁区域集CR_s；

所述对象检测模块，用于执行每个剪裁区域的对象检测；

所述检测结果生成模块，用于合并多个裁剪区域的检测结果，并去除冗余检测结果，得到最后检测结果。