[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

说明书

本发明提出了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，其步骤如下：以高分辨率遥感图像为训练样本训练候选区域生成网络，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；通过训练好的候选区域生成网络得到候选目标框作为目标初始位置训练区域检测网络，区域检测网络的边框回归损失函数采用新的边框回归损失函数；交替训练候选区域生成网络和区域检测网络；共享候选区域生成网络和区域检测网络的主干网络，合并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，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。本发明通过改进目标检测的边框回归损失函数，能够有效提升高分辨率遥感图像目标检测的精度。

技术领域

本发明涉及深度学习的技术领域，尤其涉及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。

背景技术

高分辨率遥感图像目标检测是光学遥感图像处理领域中最重要的任务之一，致力于定位并识别高分遥感图像中的高价值地物目标。随着高分重大专项(国家科技发展中长期规划16个重大专项之一)的实施，我国遥感数据的获取技术发展较快，对遥感大数据的挖掘就成了高分重大专项的关键环节，高分遥感图像目标检测正是遥感大数据挖掘的关键技术之一，也是环境监测、防灾减灾、军事侦察和精确打击等应用的核心问题之一，具有重要的民用和军事应用价值。

高分辨率遥感图像目标检测的方法有多种，依据高分辨率遥感图像目标检测的发展阶段不同可分为基于手工特征和基于数据驱动两大类。由于基于数据驱动的方法具备强大的特征表达能力，因而成为高分辨率遥感图像目标检测领域的主流方法。基于数据驱动的方法根据网络层的深度不同又可分为浅层学习和深度学习两类。其中，基于深度学习的方法比基于浅层学习的方法检测精度高，因而基于深度学习的目标检测方法广泛应用于高分辨率遥感图像的目标检测领域。

基于深度学习的目标检测方法主要包括一阶段方法和两阶段方法。相对于两阶段方法，一阶段方法由于检测精度相对较低，因而在高分辨率遥感图像目标检测领域的应用受到一定的局限。两阶段的目标检测方法包含候选区域生成网络和检测网络两个部分，其中检测网络的边框回归损失函数主要采用Smooth L1损失函数优化边框位置，但此损失函数未能直接优化评价指标，这在一定程度上限制了优化的效果。

发明内容

针对现有高分辨率遥感图像目标检测方法的损失函数未能直接优化评价指标的技术问题，本发明提出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，可以将损失函数与评价指标直接建立联系，并且在优化过程中能够自适应的改变梯度，从而进一步提升高分辨率遥感图像目标检测的精度。

为了达到上述目的，本发明的技术方案是这样实现的：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。