[发明专利]一种遥感目标检测中基于概率引导的特征点集合表示方法

权利要求书

1.一种遥感目标检测中基于概率引导的特征点集合表示方法，其特征在于，按照以下步骤实施：

步骤1、提取遥感图像特征和构建概率引导模块；

步骤2、获取初始特征点集合并生成初始范围框；

步骤3、对初始预测范围框进行精细化操作，

将步骤2得到的特征图Ⅲ分别馈送给分类任务和定位任务；在训练阶段使用训练总损失L驱动模型收敛；在预测阶段，将需要预测的遥感图像输入给FPN网络，并调用收敛后的参数模型，得到该遥感图像中关键目标的准确位置信息和分类信息。

2.根据权利要求1所述的遥感目标检测中基于概率引导的特征点集合表示方法，其特征在于，所述的步骤1中，具体过程是：

1.1)将遥感图像输入到特征金字塔网络即FPN网络中，FPN网络利用自下而上、自上而下的卷积操作，同时采用侧向连接的方式，得到四种尺寸的初始特征图，涵盖了遥感图像的深层语义信息和浅层细粒度信息；每种尺寸的特征图都会向下传递；

1.2)在遥感图像输入到FPN网络的同时，获得并处理遥感图像的标签信息，

采用五参数表示法或八参数表示法对遥感图像中的目标进行标注，根据标注方法的不同，选择相对应的方式抓取遥感图像的标签信息，

获得目标标签的范围框坐标信息后，将范围框内部像素与外部背景像素区分开，内部像素标记为1，背景像素标记为0，得到二值图像；在二值图的基础上，生成二维高斯分布Ν(μ,∑)，表达式如下：

其中，(x_c,y_c)代表标签的范围框的中心坐标，和为收缩处理后的宽和高，即λ＝0.85和γ＝0.9为宽与高的收缩超参数；

使用上式(1)生成高斯分布，从而得到的权重图中，目标中心点像素和边框附近区域像素的预测概率P＝1，从中心点到收缩边框范围内像素的预测概率，会按照高斯分布，离中心点距离越远则预测概率越低，变化范围为P∈[0,1]；

根据遥感图像标签信息得到权重图I，并依此构建概率引导模块；

1.3)分别将权重图I进行倍数为4,8,16,32的下采样操作，以匹配FPN网络提取的不同尺寸大小的初始特征图，输出的是经过不同倍数的下采样处理后的权重图II。

3.根据权利要求1所述的遥感目标检测中基于概率引导的特征点集合表示方法，其特征在于，所述的步骤2的具体过程是：

将FPN网络提取的初始特征图进行可变形卷积操作，具体而言，对于输入的一张初始特征图，为了学习特征点的偏移量，定义一个卷积核为3*3的普通卷积层，其通道数为2n，对同一个目标的n个特征点而言，此处定义的普通卷积层会预测每个特征点在横坐标和纵坐标方向的偏移量，可变形卷积先基于普通卷积层得到偏移量，再进行插值操作，再执行卷积处理，此处卷积核大小也为3*3，最后选取遥感图像中目标响应值较强的前n个特征点，组成每个目标的点集合表示；

自适应特征点集合D表示为D＝[d₁,d₂,d₃,...,d_n]，其中d_v＝x_v+Δx_v代表同一个目标的第v个初始化的自适应特征点，v∈[1,2,3,...,n]，(Δx_v,Δy_v)表示由可变形卷积得到的特征点的空间偏移量；

经过转换函数T(·)，得到包含点集合内所有特征点的最小外接矩形，其转换过程如下：

M_OB＝T(D) (4)

其中，M_OB表示从特征点集合得到的最小外接矩形范围框，T(·)表示MinAeraRect函数；

在网络学习初始化特征点集合的过程中，采用两个策略对此学习过程进行引导，以保证初始预测范围框向标签范围框收敛。