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: 2021105823683
申请人: 河南大学
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:2024-01-05
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:

1.一种基于边界框一致性的遥感目标检测方法,其特征在于,所述方法包括:步骤1:使用ResNet101 Conv1‑5网络模型作为base网络,并对特征图进行上采样;

通过双线性插值法将深层样本向上采样到与浅层样本相同大小,使用3×3的卷积层进行细化,使用1×1的卷积层精细图像特征;

隐藏层采用批标准化处理,并使用ReLU函数激活;

步骤2:基于ResNet101 Conv1‑5网络模型的输出特征图先后使用3×3和1×1的卷积层获取热点图,并通过focalloss函数对其进行训练;

步骤3:基于ResNet101 Conv1‑5网络模型的输出特征图先后使用3×3和1×1的卷积层获取偏移量信息,并使用SmoothL1loss函数进行优化;

步骤4:基于ResNet101 Conv1‑5网络模型的输出特征图先后使用2层3×3的卷积层得到预测框信息,使用SmoothL1loss函数回归中心点的预测框信息参数;

引入宽高比的一致性参数对预测框中的宽高比信息进行优化;

同时通过引入角度的一致性参数对预测框中的角度信息进行优化;

步骤5:基于ResNet101 Conv1‑5网络模型的输出特征图先后使用3×3和1×1的卷积层得到方向信息,利用binary cross‑entropy loss函数对方向信息进行优化;

步骤6:通过热点图、偏移量信息、预测框信息、方向信息生成预测边界框,根据所述预测边界框的坐标信息在原图中进行定位展示。

2.根据权利要求1所述的一种基于边界框一致性的遥感目标检测方法,其特征在于,步骤2具体包括:

步骤2.1:通过公式(1)得到热点图:Heatmap=K×H/s×W/s    (1);

其中,H和W分别是图像的高度和宽度,通道数K为类别数,每个通道对应一个类别,且每个通道的映射通过一个sigmoid函数进行传递;

步骤2.2:将特定的中心点预测热图值作为目标检测的置信度,使用focalloss函数进行训练,如公式(2)所示:

其中q和p分别表示图像的真实热图值和预测热图值,i为特征图上像素位置的索引,N是实例的数目,α和β是控制每个像素权重的超参数。

3.根据权利要求2所述的一种基于边界框一致性的遥感目标检测方法,其特征在于,步骤3具体包括:

步骤3.1:通过公式(3)得到偏移量信息:Offset=2×H/s×W/s    (3):其中,通道数为点的两个坐标x,y的偏移量;

步骤3.2:利用偏移量信息从预测的热图信息P中提取峰值点作为目标的中心点位置;

步骤3.3:确保中心点为整数,利用SmoothL1loss函数优化最小化浮点数中心点与整数中心点之间的偏移量,如公式(4)~(5)所示:其中,o和t分别表示预测框和真实框的偏移量,k表示实例;

SmoothL1loss函数表示为:

4.根据权利要求1所述的一种基于边界框一致性的遥感目标检测方法,其特征在于,步骤4具体包括:

步骤4.1:通过公式(6)得到预测框信息:Box=10×H/s×W/s    (6);

其中,10个通道分别为2×4矢量和2个外部尺寸参数,4个矢量为t;r;b;l,分别代表预测框上、右、下和左向量的坐标信息,并且这四个矢量分布在笛卡尔坐标系的四个象限中,两个外部尺寸参数为we和he,分别是最小外接矩形的宽度和高度;

步骤4.2:使用SmoothL1loss函数回归中心点的预测框信息参数;

步骤4.3:引入宽高比的一致性参数,对宽高信息进行优化,如公式(7)所示:Lv=γ×V   (7);

其中,γ为一个正的平衡参数,为预测框的回归提供方向,V为宽高比的一致性的差距;

V如公式(8)所示:

gt gt

其中,w ,h 为真实框的宽和高,w,h为预测框的宽和高;

平衡参数γ如公式(9)所示:

其中,IoU为交并比,是目标检测中常用指标,IoU如公式(10)表示:其中A和B分别代表目标框和预测框,IoU为预测框的回归提供方向;

步骤4.4:为了提高预测框与真实框重合效果,对角度θ进行优化,角度θ的loss函数如公式(11)表示:

其中,(rx1,ry1)和(rx2,ry2)分别代表真实框和预测框的右向量坐标,(lx1,ly1)和(lx2,ly2)分别代表真实框和预测框的左向量坐标。

5.根据权利要求1所述的一种基于边界框一致性的遥感目标检测方法,其特征在于,步骤5具体包括:

步骤5.1:通过公式(12)得到预测框分类信息:Reg=1×H/s×W/s    (12);

将边界框分为水平框和旋转框,并进行分别处理,其中通道数代表边界框属于水平边界框或旋转边界框。

步骤5.2:通过binarycross‑entropy loss函数来回归预测框的分类信息参数,如公式(13)所示:

其中,y和z分别是预测框的和真实框的类别,N为实例的总数。