[发明专利]基于加权双向特征金字塔的遥感影像旋转目标检测方法及系统

权利要求书

1.一种基于加权双向特征金字塔的遥感影像旋转目标检测方法，其特征在于，包含如下内容：

对遥感影像进行归一化和随机数据增广预处理；

通过深度卷积神经网络对预处理后的影像数据进行特征提取，获取若干不同尺寸大小的特征层；

利用加权双向特征金字塔对特征层进行强化，获取强化特征层；

针对影像数据的强化特征层，利用区域生成网络生成具有不同大小和宽高比的目标水平候选区域；

以原始标注值为真值，对目标水平候选区域进行类别分类和边界框的回归，并通过添加角度回归参数，得到最终旋转矩形检测结果。

2.根据权利要求1所述的基于加权双向特征金字塔的遥感影像旋转目标检测方法，其特征在于，将任意尺寸的输入图像统一缩放至固定尺寸，并对图像依次进行归一化和增广处理。

3.根据权利要求2所述的基于加权双向特征金字塔的遥感影像旋转目标检测方法，其特征在于，图像统一缩放过程中，将短边缩放至预定尺寸，保持图像宽高比不变，再缩放相应长边。

4.根据权利要求2所述的基于加权双向特征金字塔的遥感影像旋转目标检测方法，其特征在于，归一化处理中，首先获取图像RGB三通道的均值和标准差，然后以原图像的像素值减去均值并除以标准差，得到归一化处理后的像素值。

5.根据权利要求2所述的基于加权双向特征金字塔的遥感影像旋转目标检测方法，其特征在于，增广处理中，对图像以预设概率进行色彩增广和/或几何增广处理，其中，色彩增广处理包括但不限于：色彩抖动、伽马修正、直方图修正及hsv变换，几何增广处理包括但不限于：水平翻转、垂直翻转及随机角度旋转。

6.根据权利要求1所述的基于加权双向特征金字塔的遥感影像旋转目标检测方法，其特征在于，加权双向特征金字塔中，包含用于对输入数据进行卷积操作的输入模块、用于对特征层卷积操作结果进行上采样的自上而下卷积模块和用于对特征层上采样结果进行下采样的自下而上卷积模块。

7.根据权利要求6所述的基于加权双向特征金字塔的遥感影像旋转目标检测方法，其特征在于，卷积操作中，首先利用卷积核对若干不同尺寸大小的C2～C5特征图进行二维卷积来获取统一维数的输入特征层，然后对最高的输入特征层进行平均池化操作；上采样中，将卷积和平均池化操作的特征图进行上采样，然后自上而下进行乘权值相加，利用卷积核对相加后的特征层进行卷积；下采样中，将上采样中得到的特征层进行下采样后与上一层上采样结果、输入特征层进行乘权值相加，利用卷积核对相加后得到的特征层进行卷积，得到上一层强化特征层输出，通过在下采样中自下而上重复执行来获取每一层的强化特征层输出。

8.根据权利要求1所述的基于加权双向特征金字塔的遥感影像旋转目标检测方法，其特征在于，利用区域生成网络，将强化特征图的每个点按提取特征时的缩放比例映射至影像数据原图，并以映射点为中心在原图上生成一系列预先设定大小和宽高比的锚框；然后，通过计算候选区域与真实标注框之间的交并比和去除超越边界的锚框，对锚框进行筛选；最后，利用非极大值抑制操作得到目标水平候选区域。

9.根据权利要求1所述的基于加权双向特征金字塔的遥感影像旋转目标检测方法，其特征在于，利用回归模型进行优化学习，以原始标注值为真值，对预测值进行回归；其中，预测值包括类别预测与位置坐标预测，相应的损失函数为多任务损失函数，分类损失函数为交叉熵损失函数，位置回归损失函数为带有角度参数θ的Smmoth-L1损失函数；通过随机梯度下降方式使得损失函数逐步减小，通过优化收敛模型来获取作为输出的旋转矩形检测结果。

10.一种基于加权双向特征金字塔的遥感影像旋转目标检测系统，其特征在于，包含：预处理模块、数据优化模块、区域获取模块和目标检测模块，其中，

预处理模块，用于对遥感影像进行归一化和随机数据增广预处理；

数据优化模块，用于通过深度卷积神经网络对预处理后的影像数据进行特征提取，获取若干不同尺寸大小的特征层；并利用加权双向特征金字塔对特征层进行强化，获取强化特征层；

区域获取模块，用于针对影像数据的强化特征层，利用区域生成网络生成具有不同大小和宽高比的目标水平候选区域；

目标检测模块，用于以原始标注值为真值，对目标水平候选区域进行类别分类和边界框的回归，并通过添加角度回归参数，得到最终旋转矩形检测结果。