[发明专利]一种基于解耦检测头的单阶段旋转目标检测方法

说明书

本发明公开了一种基于解耦检测头的单阶段旋转目标检测方法，包括以下步骤：S1、对遥感图像进行数据预处理；S2、通过解耦检测头在遥感图像的旋转目标检测数据集上对旋转目标检测网络模型进行训练；S3、通过训练好的旋转目标检测网络模型进行推理，得到旋转目标的分类结果、角度分类结果、边界框偏移量以及前景分数。本发明针对现实场景中更加常见的旋转目标，提出将角度预测引入现有的单阶段水平检测器，实现旋转目标检测。

技术领域

本发明涉及深度学习技术领域，具体涉及一种基于解耦检测头的单阶段旋转目标检测方法。

背景技术

目标检测是计算视觉中的重要基础任务之一。随着深度学习的不断发展，检测器不断更新以进一步提升检测性能。根据预测阶段，目前的检测器大致可以分为两类：两阶段检测器和一阶段检测器。其中，一阶段检测器直接预测目标边界框和类别，经典算法包括YOLO系列算法、SSD和Retina-Net等。两阶段检测器包括一个额外的感兴趣区域特征提取，实现由粗到细的目标特征提取，相关的经典算法包括RCNN、SPPNet、Fast RCNN、FasterRCNN和Pyramid Networks等。虽然，在自然环境中，水平目标检测已经取得了非常显著的进步，但由于遥感图像中背景复杂，物体实例的尺度、方向和形状变化很大，水平检测器难以直接应用于遥感图像中的旋转目标检测。

为了预测遥感图像中旋转物体的位置和方向，一些研究者利用中心点坐标、宽度、高度和旋转角度五个参数来描述旋转目标的位置和方向。还有一些学者利用四个角点坐标，一共八个参数直接描述旋转后物体的边界框。五参数方法和八参数方法由于角度周期性和角点有序性，都出现了边界不连续问题，并导致训练过程不稳定和模型预测不准确的情况。因此，为处理边界不连续问题，引入相应的解决思路是必要的。同时，旋转目标检测是一个综合性任务，包括四个子任务，分别是边界框回归、前景分数预测、目标分类以及旋转角度预测。训练中，由于子任务拟合的目标存在差异，出现特征不对齐问题。通过共享的检测头实现四个子任务，会导致特征提取存在矛盾，且无法为每个子任务生成最优的特异性特征。目前，针对水平目标检测，研究者揭示了目标分类和边界回归之间存在特征不对齐问题，且对检测性能有较大影响。进一步探索和解决旋转目标检测中的特征不对齐问题，对于提升旋转目标检测性能有重要的意义。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于解耦检测头的单阶段旋转目标检测方法解决了旋转目标检测性能不高的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于解耦检测头的单阶段旋转目标检测方法，包括以下步骤：

S1、对遥感图像进行数据预处理；

S2、通过解耦检测头在遥感图像的旋转目标检测数据集上对旋转目标检测网络模型进行训练；

S3、通过训练好的旋转目标检测网络模型进行推理，得到旋转目标的分类结果、角度分类结果、边界框偏移量以及前景分数。

进一步地：所述步骤S1具体为：从原始图像中裁剪出一系列1024×1024图像块，图像块之间重叠了200个像素，同时将数据标签转换为长边表示法，即每个标签包括目标的中心点坐标、长边尺寸、短边尺寸以及长边与x轴的夹角。

进一步地：所述旋转目标检测网络模型通过在YOLOv5水平检测器中引入基于圆形光滑标签的角度分类模块构建。

进一步地：所述旋转目标检测网络模型包括一层用于融合通道信息的卷积层，以及三个并列的平行分支，所述平行分支由一个残差层和一个卷积层构成，其中残差层增加了网络深度，提升了网络性能。

进一步地：训练旋转目标检测网络模型的损失函数L为：