一种遥感影像密集目标深度学习检测方法.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CN111126287A(43)申请公布日2020.05.08(21)申请号201911354909.6(22)申请日2019.12.25(71)申请人武汉大学地址430072湖北省武汉市武昌区珞珈山武汉大学(72)发明人马爱龙陈鼎元钟燕飞郑卓(74)专利代理机构武汉科皓知识产权代理事务所(特殊普通合伙)42222代理人王琪(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06K9/32(2006.01)G06N3/04(2006.01)权利要求书2页说明书5页附图2页(54)发明名称一种遥感影像密集目标深度学习检测方法(57)摘要本发明公开了一种遥感影像密集目标深度学习检测方法，用于遥感影像密集目标提取。首先，将图像输入到深层的CNN基础网络中以获取特征图；其次，将深度卷积特征输入到密集目标提取框架中，以进行感兴趣区域提取(RPN分支)，对象分类和矩形框框回归。对于RPN分支，提出了高密度偏置采样器来挖掘更多具有高密度的样本(难样本)以提高检测性能。在密集目标提取框架之后采用Soft-NMS来保留更多积极对象。最后，输出精炼的矩形框，以实现对密集物体的数量统计。CN111126287ACN111126287A权利要求书1/2页1.一种遥感影像密集目标深度学习检测方法，其特征在于，包括如下步骤：步骤1，获取高分辨率遥感影像密集目标数据集，将其拆分为训练集和测试集，并对输入影像数据进行预处理；步骤2，构建高密度偏置采样器，对数据集中的高密度目标进行筛选和采样；步骤3，依据采样得到的高密度样本集进行目标提取模型训练，以提升模型对高密度样本的利用程度；所述目标提取模型整体结构包括深度卷积神经网络，区域提取网络RPN，预测端，Soft-NMS后处理模块，处理流程为：将步骤1中的训练集输入到深度卷积神经网络提取卷积特征，然后输入区域提取网络RPN中得到候选框，并通过预测端得到带有类别信息的矩形框，最后输入到Soft-NMS后处理模块得到最终的目标提取结果；步骤4，基于训练收敛后的目标提取模型，对待识别样本进行预测，利用输出概率获取识别结果。2.如权利要求1所述的一种遥感影像密集目标深度学习检测方法，其特征在于：步骤2的具体实现方式如下，步骤2.1，获取遥感影像密集目标模板框，并通过最大动态交并比表示每个模板框的密度，所述最大动态交并比表示当前模板框及距其最近的相邻模板框的最大交并比，旋转这两个成对的模板框，当两个模板框的长边平行时，通过如下公式获得最大动态交并比：其中，所述模板框是在原始遥感影像上滑窗得到的不同尺寸和长宽比的框；w和h分别表示模板框的短边和长边，c表示模板框的中心点，dist表示用于计算两中心点的欧式距离函数，min表示返回最小值的函数，下标1和2分别代表两个模板框；步骤2.2，计算得到密集场景下每个模板框的密度表示后，依据该密度分布采用高密度偏置采样器以提升高密度模板框的利用率；首先将所有模板框按密度从小到大的顺序排列，将模板框均匀地划分为N个间隔区间，对每个模板框的间隔区间赋予不同的采样概率f(x)＝xa，采样得到具有高密度的样本，其中，自变量x表示间隔区间的编号。3.如权利要求1所述的一种遥感影像密集目标深度学习检测方法，其特征在于：步骤3中所述深度卷积神经网络为ResNet-50网络。4.如权利要求1所述的一种遥感影像密集目标深度学习检测方法，其特征在于：步骤3中所述区域提取网络RPN由中间卷积层、两个子卷积层和anchor组成，中间卷积层通过滑窗在输入的特征图上进行遍历，并通过anchor将特征图上每个点映射回原始影像的模板框；然后在大量模板框的基础上，利用采样器将其分为前景和背景模板框，传入两个子卷积层，用于目标前前景或背景的推理和坐标回归，最后输出包含疑似前景目标的候选框。5.如权利要求1所述的一种遥感影像密集目标深度学习检测方法，其特征在于：步骤3中所述预测端基于每个候选框进行预测，包含两个分支网络：1)目标类别预测分支网络，该网络由卷积核大小为1*1的卷积层组成，输出的卷积层维度C表示类别个数；2)坐标回归分支网络，该网络由卷积核大小为1*1的卷积核组成，输出的卷积核维度为4，该分支用于进行目标矩形框中心点水平垂直坐标值和长宽值的回归；最后，预测端输出带有类别信息的矩2CN111126287A权利要求书2/2页形框。3CN111126287A说明书1/5页一种遥感影像密集目标深度学习检测方法技术领域[0001]本发明属于高分辨率遥感影像识别领域，特别涉及遥感影像密集目标深度学习检测方法。背景技术[0002]遥感技术的飞速发展，现在可以提供大量的高分辨率遥感影像。与低分辨率影像相比，高分辨率