[发明专利]一种基于Efficientdet的旋转目标检测方法、设备及存储设备

说明书

本发明提供一种基于Efficientdet的旋转目标检测方法、设备及存储设备，首先，构建基于Efficientdet的遥感图像旋转目标检测的网络结构；采用有向(旋转框)遥感目标数据集对网络结构进行训练，将遥感图像输入至训练完成的网络结构，得到遥感图像的目标检测结果：网络结构训练过程中，采用EfficientNet对输入图像进行各层特征提取，并利用双向跨尺度连接特征融合网络(BiFPN)对提取的各层特征进行融合，得到5个输出特征层；将输出特征层输入至检测层，利用最终的损失函数对目标角度与位置进行损失计算，对网络结构进行训练，得到训练完成的网络，进而对旋转目标进行检测，得到检测结果。本发明的有益效果是：解决了在旋转物体检测中角度回归不连续性的问题，提升了网络的检测性能。

技术领域

本发明涉及视觉目标检测领域，尤其涉及一种基于Efficientdet的旋转目标检测方法、设备及存储设备。

背景技术

遥感图像小目标检测是遥感领域的研究热点之一。高空间分辨率(High SpatialResolution，HSR)遥感图像传感器的发展加速了各种遥感图像的获取具有足够详细的空间结构信息的航空和卫星图像。这些遥感图像可以促进广泛的军事和民用应用，例如海洋监测，城区检测，货物运输，港口管理等。不同于从水平方向获取地面自然图像，但是获得高空间分辨率遥感图像需要以从自上而下的角度看，这是一种很容易受天气和照明影响的图像获取方式。除此之外，多类地理空间目标的小尺度和多变尺度的特性以及缺少手动标注的训练样本使得检测任务变得更具挑战性。许多与遥感图像中小目标检测有关的研究已经展开。

近年来，随着深度学习技术的发展，研究者们致力于设计一个网络来解决目标检测中的多尺度问题，一些多尺度特征融合的方法也随之出现。FPN(FeaturePyramidNetworks)的提出使得多尺度特征融合技术广泛用于计算机视觉任务中，近年来，PANet、NAS-FPN等研究在FPN的基础上开发了更多用于跨尺度特征融合的网络结构。BiFPN(Bidirectional cross-scale connections andweighted feature fusion)提出了一种简单而高效的加权双向特征金字塔网络，该网络引入了可学习的权值来学习不同输入特征层的重要性，同时可以模块化的重复应用。EfficientDet的优势在于其用更少的参数量与计算复杂度达到了比其他目标检测器更优秀的性能，并且BiFPN有着优秀的跨尺度特征融合的能力。

综上所述，尽管目前研究者付出了巨大努力并获得了一些成功，但是由于遥感图像数据复杂多变，仍然有不少需要深入研究的内容，尤其是在有向目标角度回归方面有待进一步研究，主要体现在以下方面：

对于有向目标检测场景下，基于常见的五参数表示进行旋转框坐标回归时候会伴随典型的边界突变问题。边界突变问题是旋转框的独有特点,由于同一旋转框在一种参数表示方案下会有多种表示值,进而通过强加规则将具体表示值限制在特定范围,使得同一旋转框在一种参数表示方案下只对应唯一的参数表示值,导致了所在范围的边界上的表示值产生了突变,影响边界值的检测精度。而遥感图像中目标多为小目标而且角度多变，这使得传统目标检测方法效果不佳。

现有的基于区域的旋转物体检测器通常回归五个参数(中心点坐标、宽度、高度、旋转角度)来描述旋转边界框，并使用Smooth L1 Loss作为损失函数。然而，这种方法在实践中存在问题。对于有向目标检测的五参数表示法,如果角度周期为180°,边界值0°和180°实际重合,却在数值上有180的差距,产生了突变,影响角度的预测精度；如果周期为90°,在边界上除了角度产生突变以外,宽和高也会在边界发生交换,产生突变,因此周期为90°的时候产生的突变更为复杂,角度和形状的预测都会受到影响，这使得情况更加恶化。针对传统的五参数(x，y，w，h，θ)角度回归损失函数引起损失不连续性导致的旋转框边界突变问题，本发明拟引入八参数(x1，y1，x2，y2，x3,y3,x4,y4)回归损失函数，在八参数模型中，所有参数都是包围框中四个角的点坐标，基于八参数回归的检测直接使对象的四个点回归，八参数回归的损失函数直接回归小目标的四个角的坐标位置，因此预测是四边形的，这样回归参数的一致性可以得到一定的保持。