[发明专利]一种次序感知的遥感图像实例增量检测方法

说明书

本发明公开了一种次序感知的遥感图像实例增量检测方法，获取遥感图像实例；根据是否有真实标签，设计次序分数计算函数分别评估目标检测模型的推断结果的不确定度和不准确度，衡量新增实例内的增量学习价值和历史实例内的增量学习价值；在对目标检测模型微调的同时使用基于次序分数加权训练损失，来平衡价值差异的训练数据的贡献。本发明能不断学习价值不一的流式数据，全面关注数据差异；自适应地对新增实例和历史实例进行排序，为模型的训练提供统一的样本加权方向。

技术领域

本发明属于遥感图像技术领域，尤其涉及一种次序感知的遥感图像实例增量检测方法。

背景技术

遥感图像的目标检测任务，作为遥感图像解译的重要任务之一，需要在遥感图像上检测到描述地表物体的各种目标，达到对目标的类别判定与精确定位的目的。遥感图像目标检测任务所感兴趣的类别主要为飞机、建筑物、车辆、船只等，在对象跟踪与监测，活动检测、场景分析、城市规划与军事研究等应用领域起着非常关键的作用。

基于深度学习的目标检测算法通过卷积神经网络自动学习图像的颜色、边缘、纹理、轮廓等低级特征和宏观描述语义的高级特征，在遥感图像目标检测任务上的表现早已超越了传统的手工设计特征的检测算法。但值得注意的一点是，深度学习方法的一个重要设定是所训练的数据是完整的，其中包含的特征足够丰富的。

而实际上，现实世界是动态变化的，随着时间的推移，不断会有新数据的出现。新数据的来源有两个方面1)已有类别的新实例数据，2)新类别数据。遥感图像目标检测任务所感兴趣的类别较为固定，而遥感卫星提供的同类目标样本不断增加，不断丰富着目标的多样性。遥感图像目标的多样性，具体地是指颜色、尺寸大小、分辨率、背景复杂度等方面的多样性，这是由多种因素导致的，包括成像条件、成像质量等成像因素，天气、季节、地理位置等环境因素以及形状、视觉外观等自身语义因素。

在遥感图像的目标检测算法中，基于卷积神经网络的深度学习方法凭借高性能，被越来越广泛地使用，这种方法的良好表现依靠特征完整的数据集，通过学习遥感图像的丰富特征来获得很好的检测能力。然而现实中，类别固定的情况下，源源不断会有新遥感图像数据出现。在这样的实例增量场景下，新出现的实例包含着新特征，需要模型继续学习，同时也有已学习过的历史实例，需要模型复习来避免灾难性遗忘。由于已经存在学习基础，实例数据具有增量学习价值差异，需要在数据本身和模型学习策略上共同去关注这一点，但现有的方法或不关注数据的差异，或视角单一。

遥感图像目标检测的方法根据特征提取的方式主要分为传统的机器学习方法和基于深度学习的方法。传统的机器学习方法需要依靠设计者的先验知识，针对不同类别的检测目标手动设计出相应的特征，分别利用HOG特征进行舰船、建筑物与车辆检测。此外有工作利用二值化梯度幅值(BING)特征进行飞机检测，利用局部二值模式(LBP)进行舰船检测。对于视觉图像来说，更有价值的信息是层次化的，而传统方法手工提取的特征鲁棒性较差。从2012年开始，深度神经网络依靠其强大的特征提取能力在自然图像分类任务上获得了压倒性优势，在语义分割，目标检测，语音识别，医学图像分析等任务中都有广泛且成功的应用，将其应用于在遥感图像的目标检测可以很好地解决传统方法的不足。