[发明专利]基于新的边框回归损失函数的遥感图像目标检测方法

权利要求书

1.一种基于新的边框回归损失函数的遥感图像目标检测方法，其特征在于，其步骤如下：

步骤一：训练候选区域生成网络：以带标注的高分辨率遥感图像为训练样本，训练候选区域生成网络，其中候选区域生成网络的边框回归损失函数采用新的损失函数；

步骤二：训练区域检测网络：通过步骤一中训练好的候选区域生成网络得到样本图像的候选目标框，以候选目标框作为目标初始位置来训练区域检测网络，其中区域检测网络的边框回归损失函数采用新的损失函数；

步骤三：交替步骤一训练候选区域生成网络和步骤二训练区域检测网络，周而复始，迭代训练，直至收敛，且训练过程采用随机梯度下降法对网络参数进行优化；

步骤四：测试阶段：共享候选区域生成网络和区域检测网络的主干网络，合并步骤三训练后的候选区域生成网络和区域检测网络构建检测模型，将待检测的高分辨率遥感图像输入检测模型中，获得待检测的高分辨率遥感图像感兴趣目标的位置和类别；

所述候选区域生成网络的损失函数是二分类损失函数和边框回归损失函数的联合损失，候选区域生成网络的损失函数为：

且

其中，p_i和分别表示在单幅样本图像上产生的训练样本中第i个样本被预测为目标的概率和对应的二值真实标签，t_i和分别表示第i个样本的预测框和对应的真值框，和分别表示二分类损失函数和边框回归损失函数，i表示训练样本的索引，N_cls和N_reg分别表示训练样本的数量和训练样本中正样本的数量，λ₁表示权重系数，表示预测框t_i和真值框的通用交并比；

所述区域检测网络的损失函数如下：

L(p,u,t^u,υ)＝L_cls(p,u)+λ₂·L_loc(t^u,υ)

其中，p和u分别表示候选区域的预测得分和对应的分类标签，t^u和v分别表示基于候选区域的预测边界框和对应的真值框，L_cls(p,u)和L_loc(t^u,υ)分别表示多类别分类损失函数和新的边框回归损失函数，λ₂表示权重参数；

多类别分类损失函数计算如下：

其中，N表示每幅样本图像中候选区域的数量，C表示目标类别数，k表示每幅样本图像中候选区域的索引，j表示目标类别的索引，p_kj和u_kj分别表示第k个候选区域被预测为第j类的概率和对应的标签；

新的边框回归的损失函数定义如下：

L_loc(t^u,υ)＝3×log2-3×log(1+GIoU(t^u,υ))，

其中，t^u,v分别表示最终预测框和真值框；GIoU(t^u,υ)表示预测框t^u和真值框v的通用交并比；

所述通用交并比的定义为：

其中，表示预测框t_i和真值框的交并比，表示预测框t_i和真值框的最小封闭区域面积，表示预测框t_i和真值框的并集区域面积；

对于给定的预测框t_i和真值框两边界框的交并比为：

其中，表示预测框t_i和真值框的交集区域面积。

2.根据权利要求1所述的基于新的边框回归损失函数的遥感图像目标检测方法，其特征在于，所述步骤一中的训练样本来自于数据集NWPU VHR-10和数据集DIOR中的高分辨率遥感图像。