一种多策略的深度学习遥感影像小目标检测方法.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CN113610024A(43)申请公布日2021.11.05(21)申请号202110929249.0(22)申请日2021.08.13(71)申请人天津大学地址300072天津市南开区卫津路92号(72)发明人路志英王港(74)专利代理机构天津市北洋有限责任专利代理事务所12201代理人杜文茹(51)Int.Cl.G06K9/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书3页附图3页(54)发明名称一种多策略的深度学习遥感影像小目标检测方法(57)摘要一种多策略的深度学习遥感影像小目标检测方法：对每一个遥感影像中的目标进行标注，制作样本，将小目标复制到遥感图像样本其它位置，整体构成小目标检测样本集；将深度学习目标检测框架作为目标检测模型，利用遥感影像典型目标检测样本集对目标检测模型进行训练，再构建并利用小目标检测复合样本集对训练后的目标检测模型进行微调训练，在微调训练过程中通过增加包含小目标样本的训练采样频率、增加32像素尺度锚点的数量措施进行训练；利用微调训练完成的目标检测模型对遥感影像进行目标检测，建立被测遥感影像多尺度金字塔、增加32像素尺度锚点的数量、降低32像素尺度候选区确认的IoU阈值至0.5。本发明提高小目标检测的准确率。CN113610024ACN113610024A权利要求书1/1页1.一种多策略的深度学习遥感影像小目标检测方法，其特征在于，包括如下步骤：1)对每一个遥感影像中的目标进行标注，制作样本，将小目标复制到遥感图像样本其它位置，整体构成小目标检测样本集；2)将深度学习目标检测框架作为目标检测模型，对该模型进行训练，利用遥感影像典型目标检测样本集对目标检测模型进行训练，再构建并利用小目标检测复合样本集对训练后的目标检测模型进行微调训练，在微调训练过程中通过增加包含小目标样本的训练采样频率、增加32像素尺度锚点的数量措施进行训练；3)利用微调训练完成的目标检测模型对遥感影像进行目标检测，通过建立被测遥感影像多尺度金字塔、增加32像素尺度锚点的数量、降低32像素尺度候选区确认的IoU阈值至0.5，提高小目标检测的准确率。2.根据权利要求1所述的一种多策略的深度学习遥感影像小目标检测方法，其特征在于，步骤1)包括：(1.1)对每一个遥感影像中的目标进行标注，制作初始样本，包括目标的位置和类别；(1.2)判断目标大小，小于25*25像素的目标为小目标；(1.3)在含有小目标的样本图像中，将没有与其他任何目标重叠的小目标抠出，随机复制到该样本图像中的其它位置，并确保不遮挡其它已标注的目标，且被复制的小目标的边缘与其他目标边缘相差5像素以上，从而构成小目标检测样本集。3.根据权利要求1所述的一种多策略的深度学习遥感影像小目标检测方法，其特征在于，步骤2)包括：(2.1)利用遥感影像典型目标检测样本集对由深度学习目标检测框架构成目标检测模型进行训练，所述的深度学习目标检测框架采用Fast‑RCNN或是Faster‑RCNN或是FPN；(2.2)构建小目标检测复合样本集，包括所述的小目标检测样本集，以及从遥感影像典型目标检测样本集中得到的含有小目标的样本集，所述含有小目标的样本集判断的标准为每一张图像中包含有小于80*80的目标即纳入含有小目标的样本集；(2.3)利用小目标检测复合样本集对训练后的目标检测模型进行微调训练，训练过程中对含有小于25*25目标的样本增加采样频率，同时，对于候选区域选取过程中的锚点，增加32像素尺度的锚点数量。4.根据权利要求1或2所述的一种多策略的深度学习遥感影像小目标检测方法，其特征在于，所述的遥感影像典型目标检测样本集采用DIOR样本集或是LEVIR样本集或是DOTA样本集。5.根据权利要求1所述的一种多策略的深度学习遥感影像小目标检测方法，其特征在于，步骤3)包括：(3.1)对被检测遥感影像进行多尺度重建，包括两个尺度的下采样和两个尺度的上采样和未进行采样的被检测遥感影像；(3.2)对5个尺度的被检测遥感影像均采用微调训练完成的目标检测模型进行目标检测，同时，增加32像素尺度的锚点数量；(3.3)在32像素尺度下选择的候选区的IoU阈值大于0.3则认为是目标区域，其他尺寸候选区IoU阈值大于0.5则认为是目标区域；(3.4)将所有尺度获得的目标区进行合并，形成最终的目标检测结果。2CN113610024A说明书1/3页一种多策略的深度学习遥感影像小目标检测方法技术领域[0001]本发明涉及一种遥感影像目标检测识别技术。特别是涉及一种多策略的深度学习遥感影像小目标检测方法。背景技术[0002]在遥感影像目标检测领域中可以进行小目标检测的方法主要