[发明专利]一种基于代表特征的遥感图像中的密集目标检测方法

说明书

本发明公开了一种基于代表特征的遥感图像中的密集目标检测方法，包括：构建特征提取网络、特征金字塔网络、初步预测网络和最终预测网络，将待检测遥感图像依次输入到特征提取网络和特征金子塔网络中；将初步特征图输入到初步预测网络中，在数据集所有类别中选取每个类别语义信息的代表特征和各个类别在整张特征图中代表置信度；将初步预测网络输出的特征图输入到最终预测网络中，计算同类别的代表特征与最终特征图相同位置特征向量之间的相似度；以相似度为权重，在困难正样本分类置信度基础上自适应提升分类置信度。本发明利用代表特征和代表置信度自适应提升了困难正样本分类置信度，提升了遥感图像密集场景下的困难正样本的分类能力。

技术领域

本发明涉及目标检测，特别涉及一种基于代表特征的遥感图像中的密集目标检测方法。

背景技术

遥感技术是一种发展迅速的高新技术，它所形成的信息网络为人们提供大量的科学数据和动态信息，遥感图像检测是目标检测的基准问题，在农业、气象测绘、环境保护等多个领域有着很大的应用价值。

随着深度学习算法在计算机视觉领域取得的极大成功，已被认为是遥感图像处理的首选方法。由于俯瞰视角拍摄和更大的空间视野，遥感图像中存在更多的密集场景并包含大量密集排列的物体，在基于深度学习的目标检测方法中，与真值标签对应的目标类别来说，该样本为正样本，对于目标分类置信度的预测值与真值标签误差较大的正样本为困难样本。现有的优良检测模型可以检测出图像中的多数物体，却往往会漏掉其中检测难度较大的部分困难正样本。当检测困难样本时，目标检测模型对于正样本预测的分类置信度低于设定的置信度阈值时，困难正样本会在后处理阶段被滤除，从而导致检测模型检测性能的降低；或者人为在网络的后处理阶段降低置信度阈值，则使得检测模型失去抑制低置信度负样本的能力。所以，在遥感图像中准确地检测出密集排列的多个物体具有更多挑战性。

发明内容

发明目的：针对以上问题，本发明目的是提供一种基于代表特征的遥感图像中的密集目标检测方法，通过自适应增加困难正样本的分类置信度，进而准确检测出遥感图像中密集排列的多个同类物体。

技术方案：本发明的一种基于代表特征的遥感图像中的密集目标检测方法，包括如下步骤：

(1)构建四个网络模块，包括特征提取网络、特征金字塔网络、初步预测网络和最终预测网络，将待检测遥感图像依次输入到特征提取网络和特征金子塔网络中，输出初步特征图；

(2)将初步特征图输入到初步预测网络中，在数据集所有类别中选取每个类别语义信息的代表特征和各个类别在整张特征图中代表置信度；

(3)将初步预测网络输出的特征图输入到最终预测网络中，得到最终特征图，计算同类别的代表特征与最终特征图相同位置特征向量之间的相似度；

(4)以步骤3得到的相似度为权重，在困难正样本分类置信度基础上自适应提升分类置信度，作为困难正样本的最终分类置信度。

进一步，所述步骤2得到最高分类置信度和代表特征的过程为：

(201)在初步预测网络的分类支路中，计算整张特征图H×W位置处各类别的分类置信度其中H为特征图的长度，W为宽度，k为数据集的类别；

(202)在中找出最高的分类置信度作为类别k的代表置信度RepConfidences，找出取得最高分类置信度的位置(h,w)，其中h为长度，w为宽度；

(203)在初步特征图FM_FAM中提取第h行、第w列的特征信息用以表示类别k的代表特征RepFeature_k，其中FM_FAM是初步预测网络的分类支路和回归支路所共享的前一层特征图；

(204)设置分类置信度阈值，只有当类别k的代表置信度大于分类置信度阈值时，类别k的代表特征才为有效的代表特征。