[发明专利]基于卷积神经网络的遥感图像目标检测方法

权利要求书

1.一种基于卷积神经网络的遥感图像目标检测方法,其特征在于，包括如下：

(1)从公开遥感图像数据中获得数据集，并将图像数据集按3:1的比例划分为训练集和测试集；

(2)构建网络模型：

(2a)由13个卷积层和4个最大池化层，构成网络模型的前半部分；

(2b)由上下文信息融合子网络和多区域特征融合子网络构成网络的后半部分：

(2b1)设置由2个RoIAlign池化层，4个全连接层，1个门控循环单元GRU构成的上下文信息融合子网络；

(2b2)设置由6个RoIAlign池化层，1个卷积层conv，3个全连接层构成的多区域特征融合子网络；

(2c)将网络的前半部分与网络的后半部分通过RPN候选框生成网络连接，得到网络模型。

(3)训练网络模型：

(3a)从训练集中随机选取一张图像进行训练，通过网络的前半部分，得到特征图F5；

(3b)用RPN候选框生成网络对特征图F5进行处理，生成目标候选框；

(3c)将目标候选框放大，获得1.8倍的目标候选框；通过上下文信息融合子网络对特征图F5、目标候选框和1.8倍的目标候选框进行处理，得到该子网络的分类结果和回归结果；

(3d)将目标候选框缩小和裁剪，获得5种目标区域框，其包括0.7倍的目标候选框、目标候选框的左半部分、目标候选框的右半部分、目标候选框的上半部分和目标候选框的下半部分；通过多区域特征融合子网络对特征图F5、目标候选框和5种目标区域框进行处理，得到该子网络的分类结果和回归结果；

(3e)将(3c)和(3d)中的分类结果求和取平均，通过softmax函数，得到每一个目标候选框的分类标记；再将(3c)和(3d)中的回归结果求和取平均，得到每一个目标候选框的位置坐标；

(3f)通过随机梯度下降算法优化整个网络模型的损失函数，迭代训练30000次后，得到训练好的卷积神经网络模型；

(4)将测试集图像输入到训练好的模型，对模型进行测试，得到每一类的平均精度AP值与所有类的平均精度均值mAP。

2.根据权利要求1所述的方法，其特征在于：(2a)中的模型前半部分，结构参数如下：

第1层卷积层c1，卷积核的个数为64，卷积核的大小为3×3，步长为1，激活函数为relu函数；

第2层卷积层c2，卷积核的个数为64，卷积核的大小为3×3，步长为1，激活函数为relu函数；

第3层最大池化层p1，池化核大小为2×2，步长为2；

第4层卷积层c3，卷积核的个数为128，卷积核的大小为3×3，步长为1，激活函数为relu函数；

第5层卷积层c4，卷积核的个数为128，卷积核的大小为3×3，步长为1，激活函数为relu函数；

第6层最大池化层p2，池化核大小为2×2，步长为2；

第7层卷积层c5，卷积核的个数为256，卷积核的大小为3×3，步长为1，激活函数为relu函数；

第8层卷积层c6，卷积核的个数为256，卷积核的大小为3×3，步长为1，激活函数为relu函数；

第9层卷积层c7，卷积核的个数为256，卷积核的大小为3×3，步长为1，激活函数为relu函数；

第10层最大池化层p3，池化核大小为2×2，步长为2；

第11层卷积层c8，卷积核的个数为512，卷积核的大小为3×3，步长为1，激活函数为relu函数；

第12层卷积层c9，卷积核的个数为512，卷积核的大小为3×3，步长为1，激活函数为relu函数；

第13层卷积层c10，卷积核的个数为512，卷积核的大小为3×3，步长为1，激活函数为relu函数；

第14层最大池化层p4，池化核大小为2×2，步长为2；

第15层卷积层c11，卷积核的个数为512，卷积核的大小为3×3，步长为1，激活函数为relu函数；

第16层卷积层c12，卷积核的个数为512，卷积核的大小为3×3，步长为1，激活函数为relu函数；

第17层卷积层c13，卷积核的个数为512，卷积核的大小为3×3，步长为1，激活函数为relu函数。