[发明专利]基于内容感知的遥感目标检测方法

说明书

本发明提供了一种基于内容感知的遥感目标检测方法。该方法包括：根据回归模块输出的信息得到预测框的坐标信息，并从原始遥感图像中获取真实框的坐标信息；根据预测框的坐标信息和真实框的坐标信息在最大的特征图上进行定位分别得到预测框与真实框所包含的特征信息v*和v；确定预测框和真实框共同的最小水平外接矩形，并从所述最大的特征图上取出所述最小水平外接矩形所在区域，记作特征图x；在所述特征图x上分别将不属于真实框和预测框自身的内容置为0，得到真实框所对应的特征图f1和预测框所对应的特征图f1*；计算特征图f1和特征图f1*的相似度，将所述相似度作为内容一致性损失L_feat，基于所述内容一致性损失L_feat来约束锚框的回归。

技术领域

本发明涉及卫星遥感技术领域，尤其涉及一种基于内容感知的遥感目标检测方法。

背景技术

水平目标检测器，如R-CNN、fastR-CNN、fasterR-CNN、YOLO，是为检测水平目标而设计的。这些方法通常使用水平边界框(HBB)来捕捉自然图像中的对象。与水平对象检测任务不同，任意方向对象检测依赖于有向边界框(OBB)来捕获任意方向的对象。当前的面向对象检测方法一般是从水平目标检测器扩展而来的。例如，R2CNN使用区域建议网络(RPN)来产生文本的HBB，并结合不同比例的集合ROI特征来回归OBB的参数。R2PN将边框方向参数并入RPN网络，并开发了旋转RPN网络。R2PN还利用旋转的ROI来优化边框参数。R-DFPN采用特征金字塔网络(FPN)来组合多尺度特征并提高检测性能。基于DFPN主干，Yang等人进一步提出了一种用于第二阶段box回归的自适应ROI对齐方法。RoI Transformer学习从HBB到OBB的空间转换。ICN在采用R-DFPN之前开发了一个增强语义特征的图像级联网络。RRD使用主动旋转滤波器来编码旋转信息。滑动顶点滑动水平边界框的顶点以捕捉有向边界框，所有这些方法都基于锚框。总体而言，基于锚框的检测器的基本原理一般为：首先在特征地图上密集地分布大量的锚框，然后回归目标框和锚框之间的偏移。

一些研究(如R3Det)通过像素级特征插值将当前细化边界框的位置信息重新编码到对应的特征点，实现特征重构和对齐，其在边框回归方面延续之前大多数研究的做法，简单地使用经过回归头得到的数据，通过这些数据求得与真实标记之间的差异性，以此来指导边框的回归。

然而，发明人发现其实这种边框回归策略可得到的结果是多样的。具体来说，在这种策略中，对于正样本的选择是基于RPN得到的建议区域和真实标签的IoU，在后续回归过程中，相同IoU的回归框在计算过程中起到的作用是一致的。但是在同一目标物体上，可以得到多个IoU相同的建议回归框，但是这些回归框包含的内容信息却是不一样的，并且发明人发现回归框包含的内容信息在后续计算过程中起到了关键作用，然而目前的边框回归策略却忽略了这些回归框所包含的内容信息在后续计算过程中起到的作用。

发明内容

针对传统的边框回归策略仅关注IoU而忽略了回归框所包含的内容信息的问题，本发明提供一种基于内容感知的遥感目标检测方法。

本发明提供的基于内容感知的遥感目标检测方法，包括构建遥感目标检测网络，所述遥感目标检测网络包括特征提取网络、RPN网络、分类模块和回归模块，其特征在于，所述遥感目标检测网络还包括：内容感知模块；所述方法包括：

内容感知模块根据回归模块输出的信息得到预测框的坐标信息pre_box，并从原始遥感图像中获取真实框的坐标信息gt_box；

内容感知模块根据预测框的坐标信息pre_box和真实框的坐标信息gt_box在feat_max上进行定位分别得到预测框与真实框所包含的特征信息v*和v；feat_max表示特征提取网络输出的所有特征图中的最大的特征图；

内容感知模块需要确定预测框和真实框共同的最小水平外接矩形，并从所述feat_max上取出所述最小水平外接矩形所在区域，记作特征图x；