[发明专利]基于风格内容解耦的跨域遥感图像目标检测方法

说明书

本发明属于图像信息处理技术领域，提供了一种基于风格内容解耦的跨域遥感图像目标检测方法。本发明的端到端训练的跨域遥感图像目标检测方法利用了自适应实例归一化的方式获得多域图像，并且进一步将解耦获得的内容特征编码送入目标检测网络来进行目标检测。本方法对于不同域的遥感图像有较好的泛化性，可以得到理想的目标检测结果。

技术领域

本发明属于图像信息处理技术领域，特别是涉及跨域遥感图像目标检测的方法。

背景技术

目前，与本专利相关的方法包括两方面：第一是基于深度学习的遥感图像目标检测算法；第二是风格内容解耦的深度学习算法。

基于深度学习的目标检测方法主要分为两类：一阶段目标检测(one-stage) 和两阶段目标检测(two-stage)两类。一阶段目标检测算法速度快但是精度相对较低，两阶段目标检测算法速度慢但是精度相对较高。这种大多设计特定的网络结构用于提取可能是目标的区域，Ren等人在文献《Faster R-CNN:Towards Real-Time Object Detection withRegion Proposal Networks》中提出的网络就设计了一个用于提取可能是目标区域的RPN网络，然后再将这些区域进行分类，有了特定的区域进行辅助，因此精度较高，但也存在检测速度较慢的问题；一阶段目标检测网络，则没有提取辅助区域的网络结构，为提升网络准确度，大量学者采取了众多的研究，Redmon等人在文献《You Only Look Once:Unified,Real-Time Object Detection》采用将图像分块的方法，将目标检测的任务分给图像块，Lin等人在《Focal Loss for Dense Object Detection》中解决了一阶段网络样本不平衡的问题，提升了网络的检测准确度。由于一阶段网络抛弃了提取辅助区域这一计算过程，因此与二阶段的网络相比有着更快的目标检测速度，但是抛弃提取感兴趣的区域，也不可避免地导致了目标检测准确度的下降。

风格内容解耦的深度学习算法，Junyan Zhu等人在文献《Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks》提出，通过使用生成对抗网络，在源域和目标域之间，无须建立训练数据间一对一的映射，实现风格的迁移。Xun Huang等人在《Arbitrary Style Transfer in Real-time with Adaptive InstanceNormalization》一文中提出自适应实例归一化，在特征空间中，将内容图的每通道输入的均值和方差归一化后的结果对齐匹配到风格图的每通道输入的均值和方差。这里的内容图和风格图的每通道输入的值都是特征空间的，使用预训练好的VGG网络获得的特征图作为输入的。

针对于跨域遥感图像的目标检测，解决该问题的一种常见的方法是首先进行域分类然后进行迁移学习的方式，将不同域的遥感图像首先进行分类，然后在一个类别上训练好目标检测模型之后，再将模型在目标域上进行迁移学习。这就要求有足够的多域图像，并且使用迁移学习来提高模型的泛化性；通过这种方法获得的模型泛化性较差，对于不同域的遥感图像的目标检测性能也较差。

发明内容

针对跨域遥感图像之间的域差异问题，为了提高遥感图像目标检测算法模型的泛化性，使其在不同域的遥感图像上都有足够良好的性能表现，提出了一种基于风格内容解耦的遥感图像目标检测方法。本方法通过自适应实例归一化将不同域的遥感图像的风格内容进行解耦，并且重新划分，获得多个域的遥感图像，并且进一步进行目标检测。本方法可以适用于不同域的遥感图像，均可以得到较好的预测结果。

本发明的技术方案：

一种基于风格内容解耦的跨域遥感图像目标检测方法，步骤如下：