[发明专利]基于最优锚点尺度的卷积神经网络遥感影像目标检测方法

权利要求书

1.一种基于最优锚点尺度的卷积神经网络遥感影像目标检测方法，其特征在于，包括以下步骤：

S1：自适应目标锚点尺度学习：基于目标锚点对训练数据集最优覆盖率准则，使用k均值聚类算法对不同类型的目标尺度聚类，获得不同目标检测任务的最优目标锚点尺度；

基于k均值聚类算法对训练数据集中目标尺度进行聚类，获得目标锚点的尺度大小，其中聚类过程基于目标与锚点间的交并比进行相似度度量，对目标锚点训练数据集覆盖率与测试集检测结果精度进行统计分析，当目标锚点可覆盖训练数据集80％的目标时对应的测试集目标检测结果精度最高，基于该统计准则，获得计算最优目标锚点尺度的目标函数：

Avg-IOU≥0.8 (2)

其中：n是训练数据集中目标数目；IOU_imax是标签为i的目标与k个锚点间的最大交并比；Avg-IOU为训练集中所有目标与锚点交并比的平均值；

S2：自适应目标锚点尺度的卷积神经网络目标检测：基于最优目标锚点尺度的卷积神经网络遥感影像目标检测架构，实现对不同目标检测任务的精确检测；架构的训练损失计算如下：

Loss＝L_coord+L_class+L_obj (3)

其中：Loss为目标检测架构的训练损失；L_coord、L_class和L_obj分别为目标坐标、类别和置信度损失；m为特征图的宽或高；n为在特征图的每个位置上锚点的数目；表示在特征图(i,j)位置上的标签为k的锚点是否为正样本，如果是正样本为1，否则为0；w_ij和h_ij为在特征图(i,j)位置上的标签为k的锚点对应的真值目标区域的宽与高；(x_ij,y_ij,w_ij,h_ij)为真值目标区域的中心点坐标和宽与高；为基于标签为k的锚点生成的目标区域中心点坐标和宽与高的网络架构的预测值；w_a和h_a为标签为k的锚点的宽与高；r为网络架构的分类数；为网络测架构对生成的目标区域不同类别的预测值；为基于标签为k的锚点生成的目标区域为目标的置信度预测值；

在目标检测架构测试阶段，使用公式(7)对网络架构中关于目标区域中心点坐标、置信度和类别预测值进行处理；使用公式(8)-(11)获得基于锚点的目标生成区域的中心点坐标和宽与高：

其中：(O_x,O_y,O_w,O_h)为网络目标生成区域的中心点坐标和宽与高。

2.根据权利要求1所述的基于最优锚点尺度的卷积神经网络遥感影像目标检测方法，其特征在于，所述步骤S1中，目前基于卷积神经网络的目标检测架构多采用多尺度目标检测方法对影像中目标进行检测，则本发明中也采用多尺度方式将聚类获得锚点均匀分布到网络架构的低、中和高三种不同层次水平的特征图上进行网络架构的训练与测试。

3.根据权利要求1所述的基于最优锚点尺度的卷积神经网络遥感影像目标检测方法，其特征在于，所述步骤S1中，遥感影像自适应目标锚点尺度学习方法具体实施如下所示：

S11：目标锚点的初始数目设定为3；

S12：基于训练集中目标与锚点数目，使用k均值算法对目标尺度聚类获得目标锚点；

S13：使用公式(1)计算训练集中目标与锚点的Avg-IOU值；

S14：如果Avg-IOU值满足公式(2)，则获得目标的最优锚点，否则将锚点数目增加3，重复步骤S12；

S15：根据锚点面积对锚点从小到大排列，将排序后锚点均匀分配到目标检测架构的低、中和高不同层次水平的特征图上进行目标检测架构的训练与测试。