[发明专利]一种遥感目标检测中基于概率引导的特征点集合表示方法

说明书

本发明公开了一种遥感目标检测中基于概率引导的特征点集合表示方法，步骤包括：1)提取遥感图像特征和构建概率引导模块；2)获取初始特征点集合并生成初始范围框；3)对初始预测范围框进行精细化操作，将步骤2得到的特征图Ⅲ分别馈送给分类任务和定位任务；在训练阶段使用训练总损失L驱动模型收敛；在预测阶段，将需要预测的遥感图像输入给FPN网络，并调用收敛后的参数模型，得到该遥感图像中关键目标的准确位置信息和分类信息。本发明的方法，更加灵活地通过特征点分布概率对点集合进行验证，以弥补特征点集合表示方法监督缺乏力度的缺点；使模型获得更快的收敛速度；具有更强的容错性能和更深的可挖掘性。

技术领域

本发明属于计算机视觉、遥感目标检测技术领域，涉及一种遥感目标检测中基于概率引导的特征点集合表示方法。

背景技术

近年来，从经典检测算法发展的一系列先进的遥感目标检测器被广泛应用于城市规划、交通监视、港口管理和海上救援等众多方面。在这些方法中，基于建议区域回归的检测器占据主流，随后又发展为两个分支，分别是两阶段检测方法和单阶段检测方法。两阶段检测方法以Faster-RCNN为例，在第一阶段使用候选区域网络(Region Proposal Network)生成大量建议区域，以指导后续阶段的定位和分类任务；单阶段检测方法以Yolo系列为例，引入网格划分的思想，直接在特征图上生成不同尺寸的锚框(Anchor)再回归四边形的位置，达到定位的目的。除了基于建议区域回归的检测器之外，还有一种基于关键点的无锚(Anchor-free)检测方法，类似语义分割任务，无锚检测器不采用锚框，而是直接将位置作为样本进行训练。

虽然这些检测器已经能取得较好的检测效果，但仍存在一些根本性的问题，这限制了检测器自身性能的提升。具体而言，两阶段检测器在第一阶段会产生大量建议区域，其中大部分建议区域属于冗余计算量，约束了两阶段检测器的计算速度；同样地，单阶段检测器虽然通过减少预置锚框的数量而提高了检测速度，但是其定位精度远不如两阶段检测器，也并未摆脱锚框的限制。由于遥感场景中的目标不同于普通场景的目标，通常具有密集排布、任意方向、大宽高比、尺度变化大等特性，因此当这两种检测器应用在遥感图像目标检测时，为了更好地对目标范围框进行建模，就需要预置更多不同角度和比例的锚框，如此一来便不可避免地增加了计算量，而且预置的锚框对遥感场景中的目标拟合度并不理想。

无锚检测器在遥感目标检测领域具备很大的优势，主要体现在两方面：首先遥感场景中很少出现目标与目标之间的重叠情况，当进行关键点和特征点的预测时，几乎不存在类似基于建议区域的方法存在的锚框重叠或者一个锚框包含多个目标的问题；其次，无锚检测器无需预先设置锚框，只需预测有价值的点，然后对点的位置进行回归，避免了因为数量巨大的锚框而造成的推理延迟问题。一般的无锚检测器的思路是基于对关键点的预测和回归，这种点到点的监督策略在一定程度上能对预测结果起到约束作用，但是也限制了点表示目标的灵活性，以至于模型不具备良好的泛化能力。而基于特征点预测的方法，不但具备无锚检测器的优点，而且其自适应生成特征点的策略可以增强模型泛化的能力。

发明内容

本发明的目的是提供一种遥感目标检测中基于概率引导的特征点集合表示方法，解决了现有技术中存在的点对点预测灵活性较差和缺乏对自适应特征点集合的监督力度的问题。

本发明所采用的技术方案是，一种遥感目标检测中基于概率引导的特征点集合表示方法，按照以下步骤实施：

步骤1、提取遥感图像特征和构建概率引导模块；

步骤2、获取初始特征点集合并生成初始范围框；

步骤3、对初始预测范围框进行精细化操作，

将步骤2得到的特征图Ⅲ分别馈送给分类任务和定位任务；在训练阶段使用训练总损失L驱动模型收敛；在预测阶段，将需要预测的遥感图像输入给FPN网络，并调用收敛后的参数模型，得到该遥感图像中关键目标的准确位置信息和分类信息。