[发明专利]一种基于样本重加权的遥感图像多类目标检测方法

说明书

本发明提供了一种基于样本重加权的遥感图像多类目标检测方法。首先，进行图像数据增广处理和尺度缩放预处理；然后，构建目标检测网络，包括特征提取模块、特征增强模块和检测头部模块，为了实现特征的显著性表达，针对部分特征层级进行特征增强操作；接着，进行网络端到端的训练过程，采用样本重加权策略来引导训练网络更多关注纵横比差异大的目标样本，以此来优化训练模型；最后，实现目标检测过程，将待检测遥感图像输入到训练好的目标检测网络中，得到每个先验框的类别预测值和其坐标偏移量，再使用非极大值抑制来过滤掉针对同一目标的重叠率较高的检测结果。本发明具有较高的遥感图像目标检测精度和速度。

技术领域

本发明属遥感图像处理技术领域，具体涉及一种基于样本重加权的遥感图像多类目标检测方法，可以用于提升遥感图像数据集中纵横比差异较大的目标类别的检测效果。

背景技术

遥感图像目标检测，是遥感大数据信息应用领域中的一项关键技术，高分辨率遥感图像数据和地理信息系统紧密结合，在未来的城市道路规划、工程项目评估以及可再生资源的监测评估等方面将有广阔的发展前景。随着大数据时代的到来以及计算机硬件性能的大幅提高，基于深度学习技术的目标检测算法突破了以往基于手工特征的目标检测技术瓶颈，成为现阶段光学图像目标检测任务的主流方法，并且受到了领域内学者和专家们的广泛关注。

基于深度学习的主流目标检测方法按照anchor(锚框)的产生方式主要分为两大类，一类是以Anchor-Based为核心的通用目标检测算法，最具有代表性的工作是由KaimingHe等人在《Conference and Workshop on Neural Information ProcessingSystems2015》上发表的“Faster R-CNN:Towards Real-Time Object Detection withRegion Proposal Networks”，该方法首先根据任务需求在原始图片上生成一系列密集排列的anchor，这些anchor的尺寸、长宽比和数量都是超参数；接着训练区域建议网络(Region Proposal Network，RPN)来确定anchor内目标是前景或是背景，同时对原始anchor坐标进行初步的回归；最后进行多分类和精细回归任务，该类方法的优点是检测精度比较高，缺点是anchor的设定往往依赖于数据集中目标尺度的分布，这种方法无法自适应的拟合待训练数据集的尺度分布。另一类是以Anchor-Free为核心的通用目标检测算法，比较典型的方法是由Ross Girshick等人在《IEEE Conference on Computer Vision andPattern Recognition 2016》上发表的“You Only Look Once:Unified,Real-Time ObjectDetection”，该检测模型将输入图像分成S×S个网格单元，如果一个目标样本的中心点在某个网格中，则由该网格负责检测这个目标样本，每个网格单元预测B个边界框和每个边界框的confidence(置信度)，其中B是根据任务需求设定的超参数，confidence反映了网络模型对该边界框是否含有目标样本的信心，以及边界框位置预测的准确程度，这类方法的优点是运行速度快，可以用于实时系统，缺点是检测精度低，回归范围变化大。

然而，基于深度学习技术的光学遥感图像目标检测算法与自然场景图像下的目标检测任务之间仍存在一定程度上的差异，光学遥感图像成像具有作用距离远、覆盖范围广的特点，因此遥感图像数据集中的目标样本会存在一些极端情况，对于那些可用像素信息少的小目标，在通过卷积神经网络不断地下采样之后，其位置信息丢失严重；部分目标类别的纵横比大，使得网络回归变化范围不可控；有些类别的目标在外观上具有高度的相似性，容易出现误检的情况，这些都是光学遥感图像目标检测任务中亟待解决的难点问题。

发明内容