[发明专利]基于边界约束CenterNet的遥感目标检测方法

摘要

本发明提出了一种基于边界约束CenterNet的遥感目标检测方法，用于解决现有技术中存在密集小目标的检测精度和召回率较低的技术问题，实现步骤为：获取训练样本集；构建边界约束CenterNet网络；获取训练样本集的预测标签和嵌入向量；计算边界约束CenterNet网络的损失；对边界约束CenterNet网络进行训练；基于训练好的边界约束CenterNet网络获取目标检测结果。本发明通过角点约束池化层在受约束的池化区域内进行最大池化，提取目标周围精细特征，有效提高密集小目标的检测精度和召回率，同时利用边界约束卷积网络生成的边界约束标签约束预测框，得到更准确的目标预测框，进一步提高目标的检测精度。

主权项

1.一种基于边界约束CenterNet的遥感目标检测方法，其特征在于，包括如下步骤：/n(1)获取训练样本集：/n将从光学遥感图像数据集中随机选取的N幅像素大小为W×H×c的图像作为训练样本集，其中，N≥1000；/n(2)构建边界约束CenterNet网络：/n(2a)构建特征提取网络、边界约束卷积网络和关键点生成网络，其中：/n特征提取网络包括级联堆叠的多个卷积层、多个下采样层和多个上采样层；边界约束卷积网络包括多个级联堆叠的卷积层；关键点生成网络包括并行连接的对角点边界约束网络和中心点边界约束网络，其中，对角点边界约束网络和中心点边界约束网络，分别由用于提取深层语义特征的多个卷积层，以及用于对待池化特征图进行关键点边界约束池化的多个角点约束池化层级联堆叠而成；/n(2b)将特征提取网络的输出作为边界约束卷积网络以及关键点生成网络的输入，将边界约束卷积网络的输出作为关键点生成网络的角点约束池化层的池化核，得到边界约束CenterNet网络；/n(3)获取训练样本集的预测标签z₁和嵌入向量e：/n将训练样本集输入至边界约束CenterNet网络，得到训练样本集的预测标签z₁和训练样本集的嵌入向量e，其中，z₁包括边界约束预测标签、热图预测标签和偏移值预测标签；/n(4)计算边界约束CenterNet网络的损失L：/n计算训练样本集的预测标签z₁和真实标签z′₁的损失L₁，同时计算训练样本集的嵌入向量e的距离损失L₂，并将L₁和L₂之和作为边界约束CenterNet网络的损失L：L＝L₁+L₂；/n(5)对边界约束CenterNet网络进行训练：/n利用梯度下降方法，并通过L对边界约束CenterNet网络进行迭代k次优化训练，得到训练好的边界约束CenterNet网络，其中k≥5000；/n(6)基于训练好的边界约束CenterNet网络获取目标检测结果：/n(6a)将与训练样本同类型的待检测图像输入到训练好的边界约束CenterNet网络中，得到待检测图像的边界约束预测标签Z₁、热图预测标签Z₂、偏移值预测标签Z₃和嵌入向量E；/n(6b)根据Z₂、Z₃和E生成目标预测框，并通过Z₁对目标预测框的置信度s进行约束，得到约束后置信度s'，并将s'＞s_th的目标预测框的位置和类别作为目标的位置及其类别，其中，s_th为置信度阈值，对s的约束公式为：/n /n其中，α为约束率，s'为约束后置信度，w_t与w_b分别是Z₁中上角点和下角点的宽度约束值，h_t与h_b分别为Z₁中上角点和下角点的高度约束值，tx与ty为目标预测框的两个对角点中上角点的(x,y)坐标，bx与by为目标预测框的两个对角点中下角点的(x,y)坐标。/n