一种基于贝叶斯迁移学习的光学遥感图像目标检测方法.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CN110245587A(43)申请公布日2019.09.17(21)申请号201910457619.8(22)申请日2019.05.29(71)申请人西安交通大学地址710049陕西省西安市咸宁西路28号(72)发明人周长胜刘军民郭保民张讲社时光刘洋陈琨陈姝璇张博文(74)专利代理机构西安通大专利代理有限责任公司61200代理人范巍(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06T7/00(2017.01)G06N3/04(2006.01)权利要求书2页说明书9页附图2页(54)发明名称一种基于贝叶斯迁移学习的光学遥感图像目标检测方法(57)摘要本发明提供的一种基于贝叶斯迁移学习的光学遥感图像目标检测方法，使用了费希尔信息矩阵来表征源数据集上预训练的目标检测子中包含的知识，并利用该费希尔信息矩阵构造了目标检测子的目标函数，在训练过程中，该项将参与目标数据集上目标检测子的学习，使之在一定程度上保留已经学习到的知识，提高了检测精度；与现有其他光学遥感图像目标检测算法相比，本发明在没有引入额外待学习参数的前提下，有效提升了光学遥感图像目标检测的精度；能够高效、准确地辅助人类判读，节省人力。CN110245587ACN110245587A权利要求书1/2页1.一种基于贝叶斯迁移学习的光学遥感图像目标检测方法，其特征在于，包括以下步骤：步骤1，将源数据集进行图片缩放和归一化处理，得到处理后的源数据集；步骤2，在步骤1中得到的处理后源数据集上任意选取一个预训练目标检测子步骤3，计算步骤2中得到的预训练目标检测子在源数据集上的费希尔信息矩阵步骤4，对目标数据集进行图片缩放和归一化处理，得到处理后的目标检测数据集；步骤5，将步骤4中得到的处理后的目标检测数据集划分为训练集、验证集和测试集；步骤6，将步骤5中得到的训练集进行数据增广处理，得到目标训练数据集；步骤7，构建步骤6中得到的目标训练数据集的待训练目标检测子f；步骤8，构建用于训练步骤7中得到的待训练目标检测子f的目标函数；步骤9，利用步骤8中得到的目标函数对步骤7中得到的待训练目标检测子f进行训练，得到若干个训练目标检测子，将验证集代入训练目标检测子进行验证，之后将验证集上具有最小目标函数值的目标检测子作为最终的目标检测子步骤10，利用步骤9得到的最终目标检测子对测试集中的图片进行预测，最终得到光学遥感图像的检测结果。2.根据权利要求1所述的一种基于贝叶斯迁移学习的光学遥感图像目标检测方法，其特征在于，步骤3中，计算步骤2中得到的预训练目标检测子在源数据集上的费希尔信息矩阵的具体方法是：S1，选取步骤2中得到的预训练目标检测子的权值w；S2，根据S1中得到的预训练目标检测子的权值w，增量式计算源数据集上的费希尔信息矩阵3.根据权利要求2所述的一种基于贝叶斯迁移学习的光学遥感图像目标检测方法，其特征在于，增量式计算源数据集上的费希尔信息矩阵的具体方法是：首先，将费希尔信息矩阵设为其次，执行下述费希尔信息矩阵更新过程，得到在源数据集上的费希尔信息矩阵：ci＝1/i其中，lS为的目标函数，表示权值w求偏导数。2CN110245587A权利要求书2/2页4.根据权利要求1所述的一种基于贝叶斯迁移学习的光学遥感图像目标检测方法，其特征在于，步骤6中，对步骤5中得到的训练集进行数据增广处理的具体是：对步骤5中得到的训练集首先依次进行对比度、亮度、饱和度以及颜色的调整；之后进行随机噪声的加入；最后进行图像随机水平或垂直翻转变换。5.根据权利要求1所述的一种基于贝叶斯迁移学习的光学遥感图像目标检测方法，其特征在于，步骤7中，构建步骤6中得到的目标训练数据集上的目标检测子的具体是包括深度神经网络结构的构建和权值的初始化，其中，构建深度神经网络结构的具体方法是：将YOLOv3深度神经网络结构的Anchor的数量设置为12，每个Anchor的大小使用k-means算法对目标训练数据集进行聚类得到；权值的初始化的具体方法是：选取预训练目标检测子对权值进行初始化。6.根据权利要求1所述的一种基于贝叶斯迁移学习的光学遥感图像目标检测方法，其特征在于，步骤8中，目标函数的构建：设定用于训练待训练目标检测子的目标函数为：lT+αlreg其中，lT表示目标数据集上的误差项，lT由三个部分相加得到，分别为类别均衡的平滑L1损失、类别均衡的均方误差损失和类别均衡的二元交叉熵损失；α为100、10、1、0.1或0.01；lreg表示费希尔正则项，7.根据权利要求1所述的一种基于贝叶斯迁移学习的光学遥感图像目标检测方法，其特征在于，步骤9中，利用步骤8中得到的目标函数对步骤7中得到的目标训练数据集的目标检