[发明专利]一种基于特征对齐的遥感场景下旋转目标检测方法

权利要求书

1.一种基于特征对齐的遥感场景下旋转目标检测方法，其特征在于，包括以下步骤：

步骤1：采集遥感图像，将每一张遥感图像随机裁剪为多张N×N像素大小的图像，构成样本图像；对裁剪后的图像标注目标位置信息，构成标签图像；样本图像和标签图像组成训练集；

步骤2：在训练集中随机以50％的概率对样本图像进行随机翻转，增加样本数量；

步骤3：将样本图像先输入Residual Network，Residual Network的输出再输入Feature Pyramid Networks，对图像进行多尺度特征提取，输出图像的特征为W*H*256；

步骤4：将步骤3的输出图像分别输入粗回归分支、精回归分支和分类分支；粗回归分支由多层通用卷积模块构成；精回归分支由通用卷积模块和可变形卷积模块交叉构成；分类分支由多层通用卷积模块构成；

步骤5：精回归分支的第B_n层可变形卷积模块输出和分类分支的第C_n层输出进行Concat操作，Concat操作后再经过卷积操作，卷积操作后的输出分为两路：第一路与分类分支的第C_n层进行Concat操作，进行特征对齐，获得获得特征对齐后的有效特征，再将有效特征输入分类分支的第C_n+1层；第二路与粗回归分支的第A_n层进行Concat操作后输入精回归分支的第B_n+1层通用卷积模块；

步骤6：精回归分支的第B_m层可变形卷积模块输出和分类分支的第C_m层输出进行Concat操作，Concat操作后再经过卷积操作，卷积操作后的输出分为两路：第一路与分类分支的第C_m层进行Concat操作，进行特征对齐，获得获得特征对齐后的有效特征，再将有效特征输入分类分支的第C_m+1层；第二路与粗回归分支的第A_m层进行Concat操作后输入精回归分支的第B_m+1层通用卷积模块；

步骤7：最终精回归分支的输出为目标检测框，分类分支的输出为对目标分类的类别结果；

步骤8：对目标检测网络进行训练，训练采用随机梯度下降法，优化器采用SGD，并使用多项式学习率衰减策略，采用多任务损失函数：

L＝L_cls(c，c^*)+L_c-reg(V_c，V^*)+L_f-reg(V_f，V^*)

其中L_cls为Focal loss损失函数，L_c-reg和L_f-reg为Smooth L1损失函数，c、c^*分别是预测目标类别和真实的目标类别；V_c，V_f和V^*分别是粗回归、细回归和真实值的预测框向量，该向量由5个值构成{x，y，w，h，θ}，分别代表预测框的中心点位置的横坐标和纵坐标、预测框的宽度、高度和旋转角度；

步骤9：将训练完成的目标检测网络用于实际场景中的旋转目标检测任务。

2.根据权利要求1所述的一种基于特征对齐的遥感场景下旋转目标检测方法，其特征在于，所述N＝1024。