[发明专利]一种基于关键点的蓝顶房检测方法

权利要求书

1.一种基于关键点的蓝顶房检测方法，其特征在于：该方法包括以下步骤：

1)收集蓝顶房的训练数据，将图像裁剪为特定大小；

2)将图像输入特征提取网络提取特征；

3)左上角点和右下角点同步预测出角点的位置和向心位移，并根据位移的对齐情况匹配角点；

4)使用交叉点可变形卷积模块改善向心位移的生成，从角到相应中心的偏移中学习，进行特征适应，丰富角点位置的视觉特征；

5)通过中心点的匹配确定同一边界框的左上，右下坐标；

6)端到端的联合训练的到蓝顶房的检测模型，将待测试的遥感图像输入模型，最终输出蓝顶房检测结果。

2.根据权利要求1所述的一种基于关键点的蓝顶房检测方法，其特征在于：所述交叉点可变形卷积由指导偏移和偏移场两部分组成，指导偏移将角池化的输出嵌入到特征映射中，由指导偏移引导从角到中心的位置，引导非角点向边缘处偏移。

3.根据权利要求1所述的一种基于关键点的蓝顶房检测方法，其特征在于：所述特征提取网络提取的特征图采用角池化的方式将水平方向上和垂直方向上的特征图进行融合，得到新的特征图。

4.根据权利要求1所述的一种基于关键点的蓝顶房检测方法，其特征在于：所述3)具体为：a)骨干网络提取的特征图采用角池化，即分别做水平方向和垂直方向的最大池化得到两个方向的特征图，将两个方向上的特征图进行融合，得到新的特征图；

b)通过角点预测模块，预测出每一个关键点属于什么类别，高斯化角点的真实标签构建要回归的角点热力图，让网络输出回归该热力图从而学习预测角点位置，角点预测过程中的损失如下：

其中，p_cij表示预测的角点在类别表示为c的(i,j)位置的值，y_cij表示对应位置的真实标签，H和W表示特征图的高和宽，N表示角点的数量，λ和μ表示用来控制权重的参数；

c)特征调节模块：经过角池化后会产生交叉点，包含大量的目标上下文信息；为能够获得上下文信息，采用交叉点可变形卷积增强交叉点处的视觉特征，提取蓝顶房内部信息，从角点到中心点的偏移中来产生偏移场，进行特征调节；

交叉点可变形卷积由指导偏移和偏移场两部分组成，指导偏移将角池化的输出嵌入到特征映射中，由指导偏移引导从角到中心的位置，引导非角点向边缘处偏移，指导偏移损失计算为：

其中，L表示SmoothL1损失，δ表示指导偏移，公式为：

(x_中，y_中)、(x_左上，y_左上)、(x_右下,y_右下)表示真实边界框的中心坐标、左上角点坐标、右下角点坐标，表示预测边界框的中心坐标、左上角点坐标、右下角点坐标，s表示缩放因子；

偏移场将角池化后得到的角点信息与引导偏移后的偏移信息融合，该偏移场包含边界框的形状与方向信息，可以引导角点和向心偏移生成相应其中方向信息的中心点。

5.根据权利要求4所述的一种基于关键点的蓝顶房检测方法，其特征在于：所述4)具体为：向心偏移模块预测角点的向心偏移，并匹配角点对，使用经过交叉点可变形卷积调节之后的特征预测每个角点的向心偏移，接着结合角点位置，完成角点的匹配，得到检测目标的物体边界框，对于一个边界框：

b＝(x_左上，y_左上，x_右下，y_右下)

它的几何中心为：

左上角和右下角的向心偏移表示为：

在真实角点处的损失为：

其中，f_左上、f_右下表示左上角和右下角真实标注框的向心位移，分别表示候选框的向心位移，L表示SmoothL1损失。

6.根据权利要求5所述的一种基于关键点的蓝顶房检测方法，其特征在于：所述5)具体为：心偏移模块的预测边界框作为区域建议，结合各部分损失得到最终目标函数

L＝L₁+L₂+L₃

进行联合训练优化，经过多次训练迭代后，用训练好的网络进行蓝顶房检测，得到蓝顶房检测结果。