[发明专利]用水平包围盒标注弱监督训练的旋转目标检测器实现方法

说明书

一种用水平包围盒标注弱监督训练的旋转目标检测器实现方法，通过采用只带目标类别及HBB标注的图像训练集对OBB检测器模型进行弱监督训练，并将经训练后的模型中仅用于弱监督训练的多余组件删除，获得可直接预测OBB框的OBB目标检测器，在在线阶段对同一任务的待检测数据进行推理，获得OBB目标检测结果。本发明利用图像数据和对应的人工标注的水平包围框HBB，通过HBB标注对神经网络直接进行弱监督训练，获得能够识别、检测可旋转目标、给出目标旋转包围框OBB，且本发明在降低标注成本的同时，得到的OBB检测器的检测性能与采用OBB标注进行训练的对照检测器基本相同。

技术领域

本发明涉及的是一种神经网络应用领域的技术，具体是一种用水平包围盒标注弱监督训练的旋转目标检测器实现方法。

背景技术

在卫星、无人机遥感图像目标追踪、机器人物体捡拾等需要对目标尺寸、姿态进行精确检测的诸多应用里，能够识别目标的有向包围盒(OBB)的旋转目标检测器(OBB目标检测器)，比仅能识别目标的水平包围盒(HBB)的水平目标检测器(HBB目标检测器)在功能上更有优势，因为OBB目标检测器能预测可旋转目标的精确尺寸和姿态朝向。

一般实践中，利用带HBB人工标注的数据集可直接训练获得HBB目标检测器；利用带OBB人工标注的数据集可直接训练获得OBB目标检测器。但截止目前，没有现行方法能够通过仅带有HBB人工标注的数据集直接训练得到OBB目标检测器。而人工标注OBB的成本比人工标注HBB高10％到20％。

发明内容

本发明针对现有技术存在的所述的不足，提出一种用水平包围盒标注弱监督训练的旋转目标检测器实现方法，可用仅带有HBB人工标注的数据集直接对OBB目标检测器进行弱监督训练获得OBB目标检测器，在降低标注成本的同时，与采用带有OBB人工标注的数据集进行训练的对照OBB目标检测器相比，本方法获得的OBB目标检测器的检测性能与之基本持平或超越。因此本方法具备性能、成本双重优势。

本发明是通过以下技术方案实现的：

本发明涉及一种用水平包围盒标注弱监督训练的旋转目标检测器实现方法，包括：

步骤S1：针对特定有向包围盒(OBB)目标检测任务，人工采集任务的图像数据，并由标注员标注任务图像数据中目标的类别以及水平包围盒(HBB)，并根据图像和对应标注构建出只带目标类别及HBB标注的图像训练集，并对其中带HBB标注的图像训练集进行预处理。

所述的包围盒是指：图片或特征图或高维特征张量的左上角像素坐标为(0，0)，x轴正方向为图像正右，y轴正方向为图像正下，以像素尺寸为单位距离。

所述的水平包围盒HBB采用四个实数(x，y，w，h)表达，其中：(x，y)为HBB的中心在图像坐标系中的横纵坐标，(w，h)为HBB的长宽尺寸，且长度为w的边平行于x轴。

所述的有向包围盒OBB采用五个实数(x，y，w，h，θ)表达，其中：(x，y)为OBB的中心在图像坐标系中的横纵坐标，(w，h)为OBB的长宽尺寸，OBB的旋转角度弧度值θ。定义当长度为w的边平行于x轴时θ＝0，且+θ方向为顺时针。

所述的预处理，因OBB目标检测任务的不同而有所不同：针对遥感图像OBB目标检测任务，因图像尺寸较大，因此其预处理包括：大图切块、图像RGB像素数值归一化和图像在线增强；针对自然场景文字OBB目标检测任务、机器人目标物体抓取等任务，一般图像尺寸较小，因此其预处理包括：图像RGB像素数值归一化和图像在线增强。

所述的大图切块，具体包括：