[发明专利]一种顾及遥感图像旋转目标的目标检测方法

权利要求书

1.一种顾及遥感图像旋转目标的目标检测方法，其特征在于，构建改进的R3Det深度神经网络模型，作为旋转目标检测器，旋转目标检测器的目标检测方法包括如下步骤：

S1、回归框提取阶段：

S11、输入遥感图像依次经过级联残差网络进行目标的特征提取，得到N个特征，分别进入金字塔网络对应的层进行特征融合，得到每一层输出的多尺度融合特征图；

S12、所述金字塔网络每一层的输出均连接有一个第一分类回归子网络，得到并输出初步的第一回归框和第一分类结果；

S2、回归框精炼阶段：

S21、将所述S11中每一层得到的多尺度融合特征图结合所述S12中得到的第一回归框和第一分类结果进行第一回归框调整，得到调整后的回归框，使调整后的回归框符合目标的的真实形状和朝向；

S22、每一层输出的调整后的检测框分别进入至一个第二分类回归子网络，得到并输出最终的第二回归框和第二分类结果。

2.根据权利要求1所述的顾及遥感图像旋转目标的目标检测方法，其特征在于，所述S11之前还包括：获得目标的遥感图像作为原始数据，所述原始数据集经过图像增强步骤，获得输入数据集，即所述输入遥感图像；所述图像增强步骤包括裁剪、旋转、颜色变换。

3.根据权利要求1所述的顾及遥感图像旋转目标的目标检测方法，其特征在于，所述S11中，级联残差网络包括N+1个模块，每个模块包括若干残差块；所述级联残差网络中各个模块之间依次级联，第二模块至第N+1模块的N个输出端作为金字塔网络的N个融合层的输入端。

4.根据权利要求3所述的顾及遥感图像旋转目标的目标检测方法，其特征在于，所述S11中，金字塔网络每一融合层接收特征时使用卷积层进行卷积，经过卷积后的特征，向下一层传递，并通过上采样将上一级联融合层与当前融合层进行融合，得到当前层融合后的特征；融合后的特征继续通过卷积层进行卷积，输出特征图像。

5.根据权利要求1所述的顾及遥感图像旋转目标的目标检测方法，其特征在于，所述第一分类回归子网络的回归网络损失函数为CIoULoss，分类网络损失函数为交叉熵损失。

6.根据权利要求1所述的顾及遥感图像旋转目标的目标检测方法，其特征在于，所述S21的检测框精炼阶段具有N个输入端，分别接收特征融合后每层输出的特征图，执行如下步骤：

S211、将所述多尺度融合特征图用特征向量表达，将所述第一回归框使用(x,y,w,h,θ)特征向量表示并输入预训练好的矩形旋转预测模型，得到旋转后的第一回归框；x和y分别表示第一回归框的中心点横纵坐标，w和h分别表示第一回归框的宽和长，θ表示待旋转角；

S212、通过双线性插值计算将旋转后的第一回归框与所述用特征向量表达的多尺度融合特征图进行融合；

S213、遍历所述N个特征，并分别执行S211-S212，得到重构的特征图。

7.根据权利要求6所述的顾及遥感图像旋转目标的目标检测方法，其特征在于，所述S211之前还包括对所述第一回归框进行尺寸调整，所述尺寸调整过程包括，每层输出的所述多尺度融合特征图经过两组卷积支路卷积后进行叠加；两组所述卷积支路具有不同的卷积层数。

8.根据权利要求5所述的顾及遥感图像旋转目标的目标检测方法，其特征在于，所述S22中，所述第一回归框旋转后的特征图分别输入至一个第二分类回归子网络，输出得到第二回归框和第二分类结果；其中，所述第二分类回归子网络的网络架构与所述第一分类回归子网络的网络架构相同；调整所述第一分类回归子网络和所述第二分类回归子网络的损失函数，使获得的回归框与目标的真实形状和朝向的误差最小。