一种基于深度学习航空遥感目标检测的方法.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CN110503020A(43)申请公布日2019.11.26(21)申请号201910757510.6(22)申请日2019.08.16(71)申请人华东师范大学地址200241上海市闵行区东川路500号(72)发明人余阳浦剑(74)专利代理机构上海蓝迪专利商标事务所(普通合伙)31215代理人徐筱梅张翔(51)Int.Cl.G06K9/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)G06T3/00(2006.01)G06T3/40(2006.01)G06T3/60(2006.01)权利要求书1页说明书4页附图1页(54)发明名称一种基于深度学习航空遥感目标检测的方法(57)摘要本发明公开了一种基于深度学习航空遥感目标检测的方法，包括数据增广，以提升检测精度，其中数据增广采用仿射变换和领域插值。针对多尺度问题尤其是小目标物体的检测问题，从头训练检测网络，在网络中使用批归一化，同时提升学习率，这样可以更好的适应检测任务。同时，设计特征提取网络结构，为了减少局部信息的损失，去除最大池化，用卷积替换来进行下采样，同时更新网络结构中的卷积核，使得局部信息得到保留，以提高检测器对航空遥感目标的检测性能。CN110503020ACN110503020A权利要求书1/1页1.一种基于深度学习航空遥感目标检测的方法，其特征在于，该方法包括以下具体步骤：步骤1：构建航空遥感数据集将航空遥感图像进行分类和标注，形成图像与标注一一对应的集合，构成航空遥感数据集；采用仿射变换和邻域插值方法对航空遥感数据集进行数据增广；然后将增广后的数据集划分成测试集和训练集；步骤2：构建深度神经网络结构针对遥感图像的特性，设计构建深度神经网络，并进行训练；步骤3：根据所构建的深度学习神经网络，利用所述的航空遥感数据集进行测试。2.根据权利要求1所述的深度学习航空遥感目标检测的方法，其特征在于，步骤1所述采用仿射变换和邻域插值方法对航空遥感数据集进行数据增广，具体为：采用仿射变换方法，包括裁剪、旋转和翻转；采用邻域插值方法，(xi，yi)和(xj,yj)是原始数据集中的样本对，从数据中随机采样得到，x是图像样本，y是其对应的标签，λ属于[0,1]，是新生成的样本对。3.根据权利要求1所述的一种基于深度学习航空遥感目标检测的方法，其特征在于，步骤2所述构建深度神经网络，具体为：基于ResNet的网络结构，首先取消ResNet第一个下采样操作，去除了最大池化，用卷积操作来进行下采样，替换ResNet中的卷积核，使得小物体信息得到保留，以提高检测器对小而密集分布的目标的检测性能；其次，在网络中加入批归一化，使数据变为均值为0，标准差为1的分布；并且，提升学习率；对深度神经网络模型进行训练。4.根据权利要求1所述的深度学习航空遥感目标检测的方法，其特征在于，步骤3所述测试过程包括：采用步骤1中构建好的航空遥感数据集和步骤2中构建的深度神经网络，进行端到端的测试：1)输入一张待检测的图片，把图片输入到分类网络中以获得不同尺寸的特征映射；2)抽取其中六层的特征图，之后分别在这些特征图上的每一个点构造6个不同尺度大小的包围框，然后分别进行检测和分类，生成多个包围框；3)把不同特征图所获得的包围框运用非极大值抑制方法来去除一部分重叠或者不正确的包围框，生成最终的包围框集合；4)对结果进行评测，FN：被判定为负样本，但事实上是正样本；FP：被判定为正样本，但事实上是负样本；TN：被判定为负样本，事实上也是负样本；TP：被判定为正样本，事实上也是证样本；计算准确率P＝TP/(TP+FP)，计算召回率R＝TP/(TP+FN)。2CN110503020A说明书1/4页一种基于深度学习航空遥感目标检测的方法技术领域[0001]本发明涉及深度学习，图像处理，遥感领域，尤其是针对航空遥感图像中的小目标进行目标检测的方法。背景技术[0002]目前，随着遥感卫星技术的迅速发展，遥感图像的数量和质量都有了很大提升，这些数量庞大的数据成为了一种十分重要的资源，在民用和军用领域中有着广泛的应用前景和重要的研究价值。深度学习已经成为了航空遥感领域研究的重要方法，受到了国内外学术界和工业界越来越多的关注，遥感领域的目标检测有巨大的应用和研究价值。[0003]遥感图像具有一定的特殊性，首先是尺度多样性，拍摄高度变化范围从几百米到近万米都有，并且，同一类别物体的尺寸差距也很大，例如水面上的船只，大型船只能达到几百米，小型船只往往只有几十米。其次，遥感图像的视角不同于常规图像的地面水平视角，大多是从高空俯拍的，所以在常规数据集上性能很好的检测网络，检测航空遥感图片的效果不一定会很好。遥感图像还存在的