预览加载中,请您耐心等待几秒...
1/9
2/9
3/9
4/9
5/9
6/9
7/9
8/9
9/9

在线预览结束,喜欢就下载吧,查找使用更方便

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113902980A(43)申请公布日2022.01.07(21)申请号202111406040.2G06N3/04(2006.01)(22)申请日2021.11.24G06N3/08(2006.01)(71)申请人河南大学地址475001河南省开封市顺河区明伦街85号(72)发明人朱小柯张冀统陈小潘袁彩虹王毓斐(74)专利代理机构郑州大通专利商标代理有限公司41111代理人高为宝(51)Int.Cl.G06V20/13(2022.01)G06V10/40(2022.01)G06V10/764(2022.01)G06V10/82(2022.01)权利要求书1页说明书6页附图1页(54)发明名称基于内容感知的遥感目标检测方法(57)摘要本发明提供了一种基于内容感知的遥感目标检测方法。该方法包括:根据回归模块输出的信息得到预测框的坐标信息,并从原始遥感图像中获取真实框的坐标信息;根据预测框的坐标信息和真实框的坐标信息在最大的特征图上进行定位分别得到预测框与真实框所包含的特征信息v*和v;确定预测框和真实框共同的最小水平外接矩形,并从所述最大的特征图上取出所述最小水平外接矩形所在区域,记作特征图x;在所述特征图x上分别将不属于真实框和预测框自身的内容置为0,得到真实框所对应的特征图f1和预测框所对应的特征图f1*;计算特征图f1和特征图f1*的相似度,将所述相似度作为内容一致性损失Lfeat,基于所述内容一致性损失Lfeat来约束锚框的回归。CN113902980ACN113902980A权利要求书1/1页1.基于内容感知的遥感目标检测方法,包括构建遥感目标检测网络,所述遥感目标检测网络包括特征提取网络、RPN网络、分类模块和回归模块,其特征在于,所述遥感目标检测网络还包括:内容感知模块;所述方法包括:内容感知模块根据回归模块输出的信息得到预测框的坐标信息pre_box,并从原始遥感图像中获取真实框的坐标信息gt_box;内容感知模块根据预测框的坐标信息pre_box和真实框的坐标信息gt_box在feat_max上进行定位分别得到预测框与真实框所包含的特征信息v*和v;feat_max表示特征提取网络输出的所有特征图中的最大的特征图;内容感知模块需要确定预测框和真实框共同的最小水平外接矩形,并从所述feat_max上取出所述最小水平外接矩形所在区域,记作特征图x;内容感知模块在所述特征图x上分别将不属于真实框和预测框自身的内容置为0,得到真实框所对应的特征图f1和预测框所对应的特征图f1*;内容感知模块计算特征图f1和特征图f1*的相似度,将所述相似度作为内容一致性损失Lfeat,基于所述内容一致性损失Lfeat来约束锚框的回归。2.根据权利要求1所述的基于内容感知的遥感目标检测方法,其特征在于,按照公式(1)计算内容一致性损失Lfeat:其中,N表示正样本的总个数,和分别表示第k个正样本真实框的特征向量和第k个正样本预测框的特征向量。3.根据权利要求1所述的基于内容感知的遥感目标检测方法,其特征在于,还包括:内容感知模块根据回归模块输出的信息,得到预测框的宽w*和高h*;并从原始遥感图像中得到真实框的宽w和高h;内容感知模块分别计算真实框的纵横比α和预测框的纵横比α*;内容感知模块根据纵横比α和纵横比α*计算纵横比损失Lwh;基于所述纵横比损失Lwh和内容一致性损失Lfeat来共同约束锚框的回归。4.根据权利要求3所述的基于内容感知的遥感目标检测方法,其特征在于,按照公式(2)计算纵横比损失Lwh:其中,N表示正样本的总个数,am和分别表示第m个正样本真实框的纵横比和第m个正样本预测框的纵横比。2CN113902980A说明书1/6页基于内容感知的遥感目标检测方法技术领域[0001]本发明涉及卫星遥感技术领域,尤其涉及一种基于内容感知的遥感目标检测方法。背景技术[0002]水平目标检测器,如R‑CNN、fastR‑CNN、fasterR‑CNN、YOLO,是为检测水平目标而设计的。这些方法通常使用水平边界框(HBB)来捕捉自然图像中的对象。与水平对象检测任务不同,任意方向对象检测依赖于有向边界框(OBB)来捕获任意方向的对象。当前的面向对象检测方法一般是从水平目标检测器扩展而来的。例如,R2CNN使用区域建议网络(RPN)来产生文本的HBB,并结合不同比例的集合ROI特征来回归OBB的参数。R2PN将边框方向参数并入RPN网络,并开发了旋转RPN网络。R2PN还利用旋转的ROI来优化边框参数。R‑DFPN采用特征金字塔网络(FPN)来组合多尺度特征并提高检测性能。基于DFPN主干,Yang等人进一步提出了一种用于第二阶段box回归的自适应ROI对齐方法