[发明专利]一种基于关键点的弱监督遥感图像飞机检测方法

说明书

本发明提供了一种基于关键点的弱监督遥感图像飞机检测方法，包括，基于关键点构建飞机的分割掩码标注，再将原始遥感影像切割成小幅影像，将分割掩码标注映射至小幅影像；联合飞机检测框标注与分割掩码标注，训练目标检测模型；测试阶段，采用相同方法，将原始遥感影像切割成小幅影像，将小幅影像依次送入训练后的检测模型，得到检测结果；将检测结果坐标还原至原始遥感影像，基于置信度排序，通过非最大值抑制过滤重复检测结果，形成最终检测结果。本发明大幅度减少了标注工作量，且具有更好的检测F1值，同时在测试中，可以预测飞机的分割掩码。

技术领域

本发明涉及一种遥感图像飞机检测方法，特别是一种基于关键点的弱监督遥感图像飞机检测方法。

背景技术

通过遥感图像对机场中飞机进行准确的检测识别，在机场实时监控、管理方面有着重要的作用。近年来，深度学习技术在计算机视觉领域迅速发展，目标检测问题更是其中最重要的任务之一，并且在一些自然图像数据集上已经达到了极高的准确率、召回率和F1值(F1 score即：)，因此深度学习算法也常被用于检测遥感影像中的飞机等目标。

目前，基于深度学习的目标检测算法主要分为以区域卷积神经网络 Region-Convolutional Neural Network(R-CNN)系列为代表的双阶段目标检测算法例如FasterRCNN，Mask RCNN和以单次图像多目标检测器Single Shot Multibox Detector(SSD)、单次图像You Only Look Once(YOLO)系列为代表的单阶段目标检测算法。双阶段检测算法先通过区域生成网络RPN产生大量候选区域，再将候选区域送入神经网络预测其目标的位置信息和类别概率，其目标检测的精确率较高，因此在背景复杂，且画幅较大的遥感图像中双阶段模型通常具有更好的检测效果。另一方面，随着Mask RCNN的提出，在训练过程中采用检测框标注与实例分割掩码标注的方法被各种检测模型采用，例如折叠掩码区域卷积神经网络Cascade Mask RCNN，混合任务卷积神经网络Hybrid Task RCNN等等，并被证明可以显著提升目标检测准确率。然而由于分割掩码标注极其昂贵，大部分自构建数据集并不包含分割掩码标注，因此这类方法难以使用。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于关键点的弱监督遥感图像飞机检测方法。

为了解决上述技术问题，本发明公开了一种基于关键点的弱监督遥感图像飞机检测方法。

一种基于关键点的弱监督遥感图像飞机检测方法，包括以下步骤：

步骤1，根据原始遥感图像上的飞机关键点坐标标注，构建飞机分割掩码标注；

步骤2，将原始宽幅遥感图像切割成小幅统一尺寸的遥感图像，形成小幅遥感影像集，将步骤1中所述飞机分割掩码标注的坐标映射至小幅统一尺寸遥感图像；

步骤3，采用基于检测框标注与分割掩码标注的遥感图像飞机检测模型，基于上述检测框标注与分割掩码标注，训练遥感图像飞机检测模型；

步骤4，将待检测的遥感图像切割成小幅遥感图像集输入步骤3中所述训练后的遥感图像飞机检测模型，得到飞机检测结果，即检测框坐标，将检测框坐标还原至原始遥感图像，基于置信度，采用非最大值抑制的方法过滤重复检测的检测框，得到最终的检测框坐标信息。

本发明中步骤1包括：