[发明专利]基于边界约束CenterNet的遥感目标检测方法

说明书

本发明提出了一种基于边界约束CenterNet的遥感目标检测方法，用于解决现有技术中存在密集小目标的检测精度和召回率较低的技术问题，实现步骤为：获取训练样本集；构建边界约束CenterNet网络；获取训练样本集的预测标签和嵌入向量；计算边界约束CenterNet网络的损失；对边界约束CenterNet网络进行训练；基于训练好的边界约束CenterNet网络获取目标检测结果。本发明通过角点约束池化层在受约束的池化区域内进行最大池化，提取目标周围精细特征，有效提高密集小目标的检测精度和召回率，同时利用边界约束卷积网络生成的边界约束标签约束预测框，得到更准确的目标预测框，进一步提高目标的检测精度。

技术领域

本发明属于机器视觉技术领域，涉及一种图像目标检测方法，具体涉及一种基于边界约束CenterNet的目标检测方法，可用于光学遥感图像中的目标检测。

背景技术

目标检测方法是机器视觉领域的核心研究内容之一，它是一种通过提取、处理图像特征对图像中所有感兴趣的目标进行回归和分类，确定它们的位置及其类别的技术，广泛应用于光学遥感图像中的目标检测。目标检测方法的技术指标有检测精度、召回率和检测速度等，在遥感图像中，受图像分辨率的影响，其中有着大量的密集小目标存在，这些密集小目标由于自身图像分辨率低，占整幅图像中的比例小，使得在实现快速定位检测目标时，很难准确的检测到密集小目标的存在，影响检测精度和召回率。

目标检测方法分为单阶段目标检测方法和两阶段目标检测方法，单阶段目标检测方法又可分为两类：基于回归目标矩形框和基于回归目标关键点的单阶段目标检测方法，其中，基于回归目标矩形框的单阶段目标检测方法直接回归目标矩形框，并对矩形框分类，得到目标的位置及其类别，该方法在设计网络时需要设置很多网络超参数，使得设计网络的过程变得复杂，同时它需要在不同尺度下做预测，造成网络训练速度慢和检测速度慢。

基于回归目标关键点的单阶段目标检测方法是回归目标关键点，然后基于关键点的位置和类别，得到目标的位置及其类别，该方法不需要设置网络超参数和多尺度预测，具有网络超参数少、训练速度快和检测速度快的优点，但仅根据两个对角点得到的目标预测框，会存在很多错检目标，同时采用角点全局池化提取到的特征不利于检测密集小目标。例如Kaiwen Duan等人在其发表的论文《CenterNet:Keypoint Triplets for objectDetection》(arXiv:1904.08189)中，提出了基于回归两个对角点与中心点的目标检测算法，该方法通过级联的角点全局池化层，生成质量较好的左上角点、右下角点和中心点，利用左上角点、右下角点和中心点得到目标的预测框，并将目标预测框的位置和类别作为目标的位置及其类别。该方法加入中心点的思想，提升了检测精度和召回率，但其存在不足之处在于，由于采用的角点全局池化是进行特征图全局池化，提取了全局的特征信息，影响了密集小目标的检测精度和召回率，且因为两个对角点会错误匹配而生成虚假目标预测框，影响了目标的检测精度。

发明内容

本发明的目的在于针对上述现有技术的不足，提出了一种基于边界约束CenterNet的目标检测方法，用于解决现有技术中存在密集小目标的检测精度和召回率较低的技术问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)获取训练样本集：

将从光学遥感图像数据集中随机选取的N幅像素大小为W×H×D的图像作为训练样本集，其中，N≥1000；

(2)构建边界约束CenterNet网络：

(2a)构建特征提取网络、边界约束卷积网络和关键点生成网络，其中：