[发明专利]一种基于权重字典学习的小样本遥感目标检测方法及系统

说明书

本发明公开了一种基于权重字典学习的小样本遥感目标检测方法及系统，所述方法获取待分类的遥感图像数据，将数据带入预先训练的目标检测模型中得到所述遥感图像对应的目标类别，所述目标检测模型利用小样本数据基于权重字典学习训练得到。所述方法采用权重字典学习的方式构建了轻量化的小样本遥感目标检测模型，可有效降低可学习参数数量，防止模型在小数据下训练时产生过拟合，提高了模型的小样本学习性能；又能很好的保留模型在源域上学习到的知识，避免了灾难性遗忘的问题。本发明提出的基于权重字典的遥感目标检测方法具有很好的通用性，可被用于改进其他的基于深度学习的遥感目标检测模型，提高它们的小样本学习能力。

技术领域

本发明涉及遥感图像目标检测，具体涉及一种基于权重字典学习的小样本遥感目标检测方法及系统。

背景技术

自动化遥感图像目标检测技术可以自动地定位、识别静态遥感图像中的感兴趣目标。基于深度学习的遥感图像目标检测方法取得了飞速地发展，但是，这类基于深度学习的遥感图像目标检测方法仍存在一定的局限性。

基于深度学习的遥感图像目标检测模型依赖大量的训练样本。这些模型只有在大量的训练样本上经过数万次甚至更多的训练迭代才能取得很好的性能，而当训练样本不足时，这些模型很容易发生过拟合，在测试数据上的性能会变差。况且，收集大量的训练样本，并对这些样本进行标注，非常地费时费力，而且一些目标，如新型号的飞机，可能没有足够的样本来构建数据集，这就使得基于深度学习的遥感图像目标检测方法难以应用于这些样本不足的目标。此外，现实中的视觉概念往往服从长尾分布，即人们普遍关注的视觉概念样本是比较重组的，凡是新兴的视觉概念在不断地增加，这些新兴视觉概念的样本往往很少，因此基于深度学习的目标检测方法也很难应用于这些新兴视觉概念。

基于深度学习的遥感图像目标检测模型的任务扩展性很差。这些模型是在含有一组固定目标类别的训练集上训练的，将模型部署到应用环境中以后，模型无法检测在训练集中没有出现过的新的目标类别。为了让模型能对新的目标类别进行有效地检测，需要采集这些新类别的样本，然后进行样本标注，将这些训练数据加入原数据集中，对模型进行重新训练或微调模型的部分参数。但是上述过程是非常的费时费力的，而且新的目标类别样本数量不一定充足，这就使得基于深度学习的遥感目标检测模型很难有效扩展到对新类别目标的检测任务中。

发明内容

为了解决基于深度学习的遥感目标检测模型依赖大量训练数据以及对新任务扩展性差的问题，本发明提供一种基于权重字典学习的小样本遥感目标检测方法，包括：

获取待分类的遥感图像数据；

将所述数据带入预先训练的目标检测模型中得到所述遥感图像对应的目标类别；

其中，所述目标检测模型利用小样本数据基于权重字典学习训练得到。

优选的，所述目标检测模型的训练包括：

基于带有目标类别的历史遥感图像数据构建目标检测数据集；

将所述遥感图像目标检测数据集划分为源类数据集与目标类数据集；

利用所述源数据集进行训练得到单阶段目标检测模型，并基于所述单阶段目标模型的卷积层参数构建参数字典，为参数字典中的每个参数设置一个对应的字典系数，基于所述参数字典与对应的字典系数构建基于权重字典的目标检测模型；

利用所述目标类数据集对所述基于权重字典的目标检测模型进行训练，得到最优的目标检测模型；

优选的，所述将所述遥感图像目标检测数据集划分为源类数据集与目标类数据集，包括：

将遥感图像目标检测数据集中的目标类别划分为源类与目标类；

将同时包含源类和目标类的目标的遥感图像从数据集中丢弃；