[发明专利]一种基于旋转区域卷积神经网络的星载目标融合检测方法

权利要求书

1.一种基于旋转区域卷积神经网络的星载目标融合检测方法，其特征在于，包括以下步骤：

步骤1、采用全色锐化方法融合同时同地获得的全色图像和多光谱图像；

步骤2、针对大尺度图像，采用基于旋转区域的卷积神经网络，在DOTA数据集上训练目标检测网络；目标检测框架基于Faster R-CNN的结构，用于检测任意方向的目标，使用区域建议网络生成包围不同方向目标的轴对齐框；然后，针对所述区域建议网络提出的每个所述轴对齐框，使用不同大小的池化层提取它的特征，并连接特征，这些获得的特征同时被用于目标或非目标预测得分，所述轴对齐框和倾斜最小区域框；最后，使用一个倾斜的非极大值抑制来获得检测结果；

步骤3、根据所述步骤2得到的目标检测模型，在所述全色图像、所述多光谱图像以及采用所述全色锐化方法融合后的星载图像上进行目标检测。

2.如权利要求1所述的基于旋转区域卷积神经网络的星载目标融合检测方法，其特征在于，所述全色锐化方法包括成分置换方法和多分辨率分析方法。

3.如权利要求2所述的基于旋转区域卷积神经网络的星载目标融合检测方法，其特征在于，所述成分置换方法包括主成分分析法、施密特正交化、波段相关空间细节算法、部分置换自适应方法。

4.如权利要求2所述的基于旋转区域卷积神经网络的星载目标融合检测方法，其特征在于，所述多分辨率分析方法包括低通滤波LPF、金字塔分解法。

5.如权利要求1所述的基于旋转区域卷积神经网络的星载目标融合检测方法，其特征在于，所述区域建议网络锚框比例小于所述Faster R-CNN的原始锚框比例。

6.如权利要求1所述的基于旋转区域卷积神经网络的星载目标融合检测方法，其特征在于，所述区域建议网络与所述Faster R-CNN保持一致的设置，包括锚点长宽比，正样本和负样本的定义。

7.如权利要求1所述的基于旋转区域卷积神经网络的星载目标融合检测方法，其特征在于，所述区域建议网络的池化包括7×7池化层、11×3池化层和3×11池化层。

8.如权利要求7所述的基于旋转区域卷积神经网络的星载目标融合检测方法，其特征在于，所述3×11池化层帮助检测宽度大于高度的水平目标。

9.如权利要求7所述的基于旋转区域卷积神经网络的星载目标融合检测方法，其特征在于，所述11×3池化层帮助检测高度大于宽度的垂直目标。

10.如权利要求1所述的基于旋转区域卷积神经网络的星载目标融合检测方法，其特征在于，所述轴对齐框的损失函数是目标或非目标类损失和方框回归损失的总和。