[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

说明书

本发明涉及一种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方法，属于遥感影像目标识别及信息提取技术领域。本发明首先提出了一种遥感影像最优目标锚点尺度学习方法，可自适应获得不同目标检测任务的最优目标锚点尺度；然后基于最优目标锚点尺度学习方法，设计了一种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，可根据不同目标检测任务自适应调整锚点尺度，良好的耦合不同类型的目标尺度，实现对不同目标检测任务的精确检测。本发明具有简单、可靠、精度高、易于实现的特点。本发明可广泛运用于遥感影像目标识别及信息提取场合。

技术领域

本发明涉及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，属于遥感影像目标识别及信息提取技术领域。

背景技术

目标检测作为高分辨率遥感影像信息自动提取、分析和理解的一项关键技术，在高分对地观测系统应用于军事侦察、灾害监测和精确打击等方面扮演着重要角色。遥感影像目标检测是指检测出影像中感兴趣的目标对象，并对感兴趣的目标对象进行精确定位的过程。针对目标检测过程中目标特征生成方式，现有目标检测方法分为传统的目标检测方法和基于卷积神经网络的目标检测方法。其中传统的目标检测方法需要认为设计目标特征，进行影像目标检测；基于卷积神经网络的目标检测方法可以基于训练数据自动学习与提取目标特征，实现影像目标检测。

传统的目标检测检测方法通常采用①提取目标候选区域-②获得目标候选区域特征-③基于目标候选区域特征进行分类，实现影像中目标检测。传统的目标检测检测方法通常对特定情况下的遥感影像目标检测可取得较好的效果，但由于高分辨率遥感卫星通常以一种自上而下的拍摄角度对地成像，易受天气、云、雾等环境条件影响，获得的遥感影像复杂多变，且高分辨率遥感卫星每天产生大量的遥感影像，传统的目标检测检测方法难以适应大数据量不同环境条件下的影像目标检测，算法的鲁棒性和普适性较弱。

近年来，深度学习引起不同领域学者的广泛关注。卷积神经网络(convolutionalneural networks，CNNs)作为最热门的深度学习模型，由于其不需要人为设计图像特征，且同一图像特征图通过共享“局部感受野”的卷积核参数，使得卷积神经网络比其他网络模型具有更少的网络参数量。此外，卷积神经网络可基于其特有的网络结构，根据海量数据和标注自行进行有效图像特征提取和学习；另外，在训练数据充足的情况下，模型具有良好的泛化能力，能够在复杂多变的条件下亦然保持良好的鲁棒性和普适性。因此，卷积神经网络模型已被广泛应用于数字图像处理中。自2014年基于卷积神经网络的regional CNN(R-CNN)目标检测架构，比传统的目标检测方法性能方面取得巨大提升以来，基于卷积神经网络目标检测方法被迅速发展，如Faster-RCNN、SSD(single shot multibox detector)和YOLO(you only look once)系列等目标检测框架相继被提出，这些目标检测架构在大数据量的遥感影像目标检测中取得良好的目标检测结果。目标锚点尺度是影响基于卷积神经网络目标检测方法检测精度的一项关键因素，但现有的基于卷积神经网络的目标检测架构均需要人为预先设定锚点尺度，难以根据不同目标检测任务自适应调整目标锚点尺度，使得目标锚点尺度难以藕合不同目标检测任务，影响影像目标检测结果精度。

针对以上问题，本发明提出了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。

发明内容

针对现有技术存在的上述缺陷，本发明提出了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。

本发明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，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；