欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019104325274
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种融入语义模型的遥感图像油罐检测方法,其特征在于,所述方法包括以下步骤:S1、采集数据:获取遥感图像样本数据并对所述遥感图像样本数据进行预处理,得到预处理后的图像;

S2、构建模型:构建油罐检测模型和语义模型;

S3、模型训练:将步骤S1所得的预处理后的图像输入到步骤S2构建的油罐检测模型中进行训练,得到特征图以及特征图检测信息,将所述预处理后的图像分类信息建立关系,保存并建立情景知识库,将所述情景知识库的信息关系输入到步骤S2构建的语义模型中进行训练,得到图像情景上下文信息;及S4、模型融合:将步骤S3所得的特征图的检测信息与图像情景上下文信息进行融合,实现油罐检测与图像情景上下文信息融入。

2.根据权利要求1所述的一种融入语义模型的遥感图像油罐检测方法,其特征在于,在步骤S1中遥感图像样本数据包括遥感图像以及预处理后的图像,其获取包括如下步骤:S111、提供油罐检测过程中获得的遥感图像,所述遥感图像包括区域标注信息;

S112、对步骤S111提供的遥感图像进行预处理,得到预处理后的图像,目标边框中心坐标为Tx、Ty,所述目标边框的宽为W,所述目标边框的高为H,分类信息为C,所述目标边框与所述区域标注信息相对应。

3.根据权利要求1所述的一种融入语义模型的遥感图像油罐检测方法,其特征在于,在步骤S2中的油罐检测模型加载了权值文件,仅加载在batch norm层和卷积层,这些层的权值与网络中对应的层顺序完全相同存储。

4.根据权利要求3所述的一种融入语义模型的遥感图像油罐检测方法,其特征在于,在步骤S3中,步骤S2构建的油罐检测模型中的神经网络包括卷积神经和激活函数,其中卷积神经中的卷积层使用1*1卷积与3*3卷积级联的方式,使用具有步幅2的卷积层来对特征图进行下采样,激活操作使用RELU激活函数,生成anchors操作产生9个矩形共有3种形状,宽高比为width:height∈{1:1,1:2,2:1}三种,将anchors放入特征图中与区域标注信息进行修正,计算它们之间的损失值使用检测目标位置边界框的分类损失函数,通过非最大抑制函数(NMS)去除不符合的边界框,通过全连接层进行输出;目标分类计算它们之间的损失值使用所述分类损失函数,并使用softmax函数进行输出, 最终获得特征图的检测信息中每张图像的目标边框为B={1,2,3,...,B},分配标签c∈C到每个目标边框b∈B的概率为p(l|b),将这些概率编码成矩阵P,在这个过程中使用随机梯度下降(SGD)对学习参数进行更新,神经网络训练包括目标边框检测和目标分类检测。

5.根据权利要求4所述的一种融入语义模型的遥感图像油罐检测方法,其特征在于,在步骤S3中,采用分类置信度表示检测到的对象属于特定类的概率,神经网络训练期间的分类损失函数为:T

l(x,y)=L={l1,...,lN}

ln=‑wn[yn*log xn+(1‑yn)*log(1‑xn)]

中N代表批次数量,n代表批次序号,w为权值,y为目标值,x为输入。

6.根据权利要求5所述的一种融入语义模型的遥感图像油罐检测方法,其特征在于,在步骤S3中,用于检测目标位置边界框的损失函数为:T

l(x,y)=L={l1,...,lN}

2

ln=(xn‑yn)

其中N为批次大小,n代表批次序号,x为输入值,y为目标值。

7.根据权利要求6所述的一种融入语义模型的遥感图像油罐检测方法,其特征在于,在步骤S3中,对图像分类信息得出概念之间的语义一致性,产生了一个新矩阵 不同于所述矩阵P。

8.根据权利要求7所述的一种融入语义模型的遥感图像油罐检测方法,其特征在于,在步骤S3中,起始的关系C经过t步之后,获得关系C”,在语义一致性上,使用随机游走表示:其中p(rt=C”|r0=C;α)表示从C开始,在t步骤中达到关系C”的概率,在大量情景知识库中,可以有效计算矩阵S:

9.根据权利要求8所述的一种融入语义模型的遥感图像油罐检测方法,其特征在于,在步骤S4中 ,为步骤S3中所述目标边框b分配新的标签,所述新的标签为

10.根据权利要求9所述的一种融入语义模型的遥感图像油罐检测方法,其特征在于,在步骤S4中,给定一个量化成对关系之间语义一致性的矩阵,需要进一步将其与检测信息集成,以实现对目标的检测与图像情景的融入,通过获取语义一致性约束的最小化代价函数:其中b,b'代表同一图像中的两个不同的边界框,B||Sl,*||1是平方误差,平衡不同的语义关系,ε是超参数ε∈(0,1)。