[发明专利]一种基于边界框一致性的遥感目标检测方法

说明书

本发明涉及一种基于边界框一致性的遥感目标检测方法，包括使用ResNet101 Conv1‑5网络模型作为base网络，基于ResNet101 Conv1‑5网络模型通过双线性插值法将深层样本向上采样到与浅层样本相同大小，并对图像进行细化，进而基于ResNet101 Conv1‑5网络模型输出热点图、偏移量、预测框信息、方向信息，最终通过热点图、偏移量信息、预测框信息、方向信息生成完成对遥感图像中的任意角度的旋转目标检测问题。本发明设计了一种新的角度与宽高比一致性损失函数与深度目标检测模型相结合，能够更加紧密的包围对象提高了回归效果及检测速度。

技术领域

本发明涉及遥感图像目标检测领域，具体涉及一种基于边界框一致性的遥感目标检测方法。

背景技术

目前遥感目标检测方法一般是由水平目标检测器扩展而来，而航空图像中目标检测的许多最新进展都得益于R-CNN框架，这些方法通过使用水平边界框作为感兴趣区域，然后依靠区域特征进行类别识别，例如，R2CNN使用区域建议网络(RPN)生成文本的水平边界框(HBB)，并结合不同尺度的集合ROI特征来回归定向边界框(OBB)的参数。R2PN将边界框方向参数引入到RPN网络中，形成了旋转的RPN网络。RP-FasterR-CNN框架是在中针对小目标检测开发的。R2PN还利用旋转的ROI池来优化box参数。R-DFPN采用特征金字塔网络(FPN)结合多尺度特征，提高检测性能。基于DFPN网络主干，Yang等人进一步提出了一种适用于two-stage的边界框回归自适应ROI对齐方法。RoI变换器学习从HBBs到OBBs的空间变换，然后提取旋转不变特征。ICN在采用R-DFPN之前，提出了一种增强语义特征的图像级联网络。RRD使用主动旋转滤波器对旋转信息进行编码。YongchaoXu等人提出滑动水平边界框的顶点以捕捉定向边界框。所有的这些方法都是anchor-base模型的，而且用于探测任意方向的物体。同时，也有一些方法通常是针对特定的对象类别而定制的，如车辆、船舶、飞机等。

对于边界框回归的损失，现如今使用的损失函数包括均方误差(MSE，L2loss，目标和预测变量之间的平方距离之和)，平均绝对误差(MAE，Llloss，目标和预测变量之间的绝对差之和)，分位数损失(MAE的扩展，预测一个区间而不是仅仅预测点)，Huberloss(基本上是绝对误差，当误差很小时，它变成二次方)和LogCosh损失(预测误差的双曲余弦的对数)。

例如smoothllloss，主要是优化各个坐标之间的各自最小误差，而并不是全局的重叠面积，所以如果检测具有较大宽高比的图像时，并不能很好的回归远离中心坐标的部分，所以该loss对于一些较大宽高比的目标并不敏感。例如Intersection over Union(IoU)loss，可以反映预测检测框与真实检测框的检测效果，并且具有尺度不变性，但是并不能准确的反映两者的重合度。即便是解决了该问题的GIoU(能够在预测框与目标框不重叠时，仍然可以为预测框提供移动方向)以及表现更为良好的CIoU(充分的考虑了矩形框的三个重要的几何度量，重叠面积、中心点距离和长宽比)，但是两者之间的角度差却并没有进行回归计算。所以IoU系列的回归loss在对水平矩形框(HBB)的回归具有较好的效果，但是在对遥感图像旋转目标检测时，由于航空图像中目标的方向具有高度的多样性，所以回归效果并不好。

发明内容

本发明为有效解决现有遥感目标检测方法在对遥感图像进行目标检测时回归效果较差的问题，提供了一种基于边界框一致性的遥感目标检测方法，设计一种新的角度与宽高比一致性损失函数与深度目标检测模型相结合，能够更加紧密的包围对象提高了回归效果及检测速度。

为了实现上述目的，本发明提出了一种基于边界框一致性的遥感目标检测方法，所述方法包括以下步骤：

步骤1：使用ResNet101 Conv1-5网络模型作为base网络，并对特征图进行上采样；