[发明专利]一种基于代表特征的遥感图像中的密集目标检测方法

权利要求书

1.一种基于代表特征的遥感图像中的密集目标检测方法，其特征在于，包括如下步骤：

(1)构建四个网络模块，包括特征提取网络、特征金字塔网络、初步预测网络和最终预测网络，将待检测遥感图像依次输入到特征提取网络和特征金子塔网络中，输出初步特征图；

(2)将初步特征图输入到初步预测网络中，在数据集所有类别中选取每个类别语义信息的代表特征和各个类别在整张特征图中代表置信度；

(3)将初步预测网络输出的特征图输入到最终预测网络中，得到最终特征图，计算同类别的代表特征与最终特征图相同位置特征向量之间的相似度；

(4)以步骤3得到的相似度为权重，在困难正样本分类置信度基础上自适应提升分类置信度，作为困难正样本的最终分类置信度。

2.根据权利要求1所述的密集目标检测方法，其特征在于，所述步骤2得到最高分类置信度和代表特征的过程为：

(201)在初步预测网络的分类支路中，计算整张特征图H×W位置处各类别的分类置信度其中H为特征图的长度，W为宽度，k为数据集的类别；

(202)在中找出最高的分类置信度作为类别k的代表置信度RepConfidences，找出取得最高分类置信度的位置(h,w)，其中h为长度，w为宽度；

(203)在初步特征图FM_FAM中提取第h行、第w列的特征信息用以表示类别k的代表特征RepFeature_k，其中FM_FAM是初步预测网络的分类支路和回归支路所共享的前一层特征图；

(204)设置分类置信度阈值，只有当类别k的代表置信度大于分类置信度阈值时，类别k的代表特征才为有效的代表特征。

3.根据权利要求2所述的密集目标检测方法，其特征在于，所述步骤3中相似度包括特征语义相似度和特征空间相似度，所述特征语义相似度计算过程包括：

采用嵌入高斯相似性度量函数计算特征语义信息相似性，并对采用的度量方法进行归一化，所述的嵌入高斯相似性度量函数为：

其中RF_k表示第k种类别的代表特征RepFeature_k，F_hw表示最终预测网络输出的特征图FM_ODM中第h行、第w列的特征向量特征向量RepFeature_k、均为1×1×n维，i表示n个维度中第i个维度的特征值；

采用线性嵌入空间的形式：

φ(RF_k)＝W_φRF_k

θ(F_hw)＝W_θF_hw

其中W_φ、W_θ是学习权重矩阵；φ(RF_k)ⁱ、θ(F_hw)ⁱ分别表示两个特征向量在每个维度中的特征值；

N(φ(RF))为归一化因子，通过计算最终预测网络中第h行、第w列的特征向量F_hw分别与K个有效代表特征RF_k的相似度的加和，将嵌入高斯相似度归一化为0到1的范围内，以避免相似度过高而产生的梯度爆炸问题，归一化因子计算公式如式为；