一种基于半监督迭代学习的遥感影像目标检测方法及系统.pdf

(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CN113688665A(43)申请公布日2021.11.23(21)申请号202110773831.2(22)申请日2021.07.08(71)申请人华中科技大学地址430000湖北省武汉市洪山区珞喻路1037号(72)发明人李开邹复好甘早斌韩冰凯向文卢萍(74)专利代理机构武汉蓝宝石专利代理事务所(特殊普通合伙)42242代理人寇俊波(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/08(2006.01)权利要求书2页说明书7页附图6页(54)发明名称一种基于半监督迭代学习的遥感影像目标检测方法及系统(57)摘要本发明提供一种基于半监督迭代学习的遥感影像目标检测方法及系统，方法包括：收集遥感影像目标检测数据集，目标检测数据集包括有标签数据集和海量无标签数据集；基于有标签数据集训练目标检测器模型，获取训练后的初始目标检测器模型；将海量无标签数据集划分为多个无标签数据子集；基于有标签数据集和多个无标签数据子集，对所述初始目标检测器模型进行迭代优化训练，得到最终目标检测器模型。根据本发明，使用少量的有标签遥感影像数据，联合海量无标签数据的辅助优化下极大的提高了目标检测的精度，降低了人工标注成本。CN113688665ACN113688665A权利要求书1/2页1.一种基于半监督迭代学习的遥感影像目标检测方法，其特征在于，包括：收集遥感影像目标检测数据集，所述目标检测数据集包括有标签数据集和海量无标签数据集；基于有标签数据集训练目标检测器模型，得到训练后的初始目标检测器模型；将海量无标签数据集划分为多个无标签数据子集，其中，每一个无标签数据子集中的样本数据数量与有标签数据集中的样本数据数量接近相等；基于有标签数据集和多个无标签数据子集，对所述初始目标检测器模型进行迭代优化训练，得到最终目标检测器模型；利用最终目标检测器模型对遥感影像进行目标检测。2.根据权利要求1所述的遥感影像目标检测方法，其特征在于，所述基于有标签数据集和多个无标签数据子集，对所述初始目标检测器模型进行迭代优化训练，得到最终目标检测器模型，包括：基于n个无标签数据子集，在当前第i次迭代训练时，提取n个无标签数据子集中的前i个无标签数据子集，其中，n，i均为正整数，i≤n；将前i个无标签数据子集中的样本数据输入第(i‑1)次迭代优化训练后的目标检测器模型中，获取输出的每一个样本数据的伪标签信息；将有标签数据子集和包括有伪标签信息的前i个无标签数据子集作为当前第i次迭代的训练数据集，对第(i‑1)次迭代优化训练后的目标检测器模型进行第i次迭代优化训练，得到当前第i次迭代后的目标检测器模型；对目标检测器模型循环迭代n次，得到最终目标检测器模型。3.根据权利要求2所述的遥感影像目标检测方法，其特征在于，所述获取输出的每一个样本数据的伪标签信息之后还包括：基于第(i‑1)次迭代优化训练后的目标检测器模型输出的每一个无标签数据的伪标签信息，通过阈值过滤，将错误的伪标签信息去除；对有标签数据和阈值过滤后的伪标签数据进行弱增强处理，分别得到弱增强处理后的有标签数据和伪标签数据；针对每一张弱增强处理后的伪标签数据，执行mixup强数据增强处理，与弱增强处理后的有标签数据进行融合，得到当前第i次迭的训练数据集。4.根据权利要求3所述的遥感影像目标检测方法，其特征在于，所述针对每一张弱增强处理后的伪标签数据，执行mixup强数据增强处理，与弱增强处理后的有标签数据进行融合，得到当前第i次迭的训练数据集，包括：对于任一张弱增强处理后的伪标签数据，从弱增强处理后的有标签数据集中随机抽取一张无标签数据，将两者进行融合，得到增强后的伪标签数据；对每一张弱增强处理后的伪标签数据均进行融合处理，得到当前第i次迭的训练数据集。5.根据权利要求4所述的遥感影像目标检测方法，其特征在于，所述将两者进行融合，得到增强后的伪标签数据，包括：xu＝λmxu+(1‑λm)xl；cu＝λmcu∪(1‑λm)cl；2CN113688665A权利要求书2/2页bu＝bu∪bl；其中，xu是无标签数据，对应的伪标签信息为yu＝(bu，cu)，bu是边界框的坐标信息向量，cu是对应的该边界框的类别信息，类别信息编码成one‑hot向量；xl是从有标签的数据集中随机抽取的一张图像，对应的真实标签y1＝(bl，cl)，λm为两张图像的融合参数。6.根据权利要求1或2任一项所述的遥感影像目标检测方法，其特征在于，所述方法还包括：在基于有标签数据集对目标检测器模型进行训练的过程中，使用全监督损失函数；在基于无标签数据集对初始目标检测器模型进行迭代优化训练的过程中，使用半监督损失函数。7.根据权利要求6所