[发明专利]一种基于多角度检测框的遥感图像目标检测方法

权利要求书

1.一种基于多角度检测框的遥感图像目标检测方法，其特征在于；该方法分为数据预处理和数据增强、生成正框、角度旋转、角度修正三个部分：

首先将输入数据进行预处理，保证输入网络的图像尺寸符合预定的大小，之后经过主干网络、特征金字塔结构、RPN结构、ROI分类输出没有角度的正框；

之后进入到倾斜角度模块，使用1×1卷积、全连接层、解码器进行第一次角度旋转；

为了得到更加精确的角度，需要对角度进行修正，使用rotated roialign、1×1卷积、全连接层修正第一次旋转的角度，在此训练阶段，为方便训练，重新设计位置回归的损失函数；根据小目标的损失贡献率，决定下一次迭代是否使用数据增强策略处理输入数据。

2.根据权利要求1所述的一种基于多角度检测框的遥感图像目标检测方法，其特征在于：

数据预处理是首先判断一张图片的尺寸是否小于1024×1024，如果小于此尺寸则用黑色背景补齐为1024×1024大小，如果尺寸大于1024×1024，则会使用步长为512像素的滑动窗口来分割为n张尺寸为1024×1024的图片，完整的检测出分割图像边界的目标。

3.根据权利要求1所述的一种基于多角度检测框的遥感图像目标检测方法，其特征在于：

数据增强策略是根据一次迭代中ground truth框小于32×32尺寸回归损失L_s占总回归损失L_reg比的大小，如果比小于0.4，则下一次迭代输入网络图像会从训练集中随机选取四张图片，每张图片的长宽比缩小为原来的1/2，之后根据方式组合起来，如果比大于等于0.4，则会正常输入原始的训练集图片，损失比计算公式如下所示；

a＝L_s/L_reg。

4.根据权利要求1所述的一种基于多角度检测框的遥感图像目标检测方法，其特征在于：

第一次角度旋转首先使用10通道的1×1卷积降维，之后使用全连接层和解码器进行第一次的角度旋转，相较于ground truth的偏移计算方式如下所示：

其中(x_r，y_r，w_r，h_r，θ_r)表示经过第一阶段计算出来的偏移后的框的坐标，(x^*，y^*，w^*，h^*，θ^*)表示ground truth的框的坐标。

5.根据权利要求1所述的一种基于多角度检测框的遥感图像目标检测方法，其特征在于：

第二次角度修正使用rotated roi align提取第一部分偏移后的特征的深层次特征，可以认为虽然角度进行了旋转，但是特征并没有变化，提取深层次的特征可以再一次的对角度进行修正，可以使回归出来的旋转框更加的鲁棒，贴合目标物体；角度修正具体流程是，将第一部分计算出的倾斜框参数(x_r，y_r，w_r，h_r，θ_r)和输入尺寸为(H×W×C)的特征图D通过rotated roi align将特征和参数划分为K×K×C的特征图y，再使用10通道的1×1卷积降维，最后使用全连接层进行最终的分类和回归；对于索引为(i≥0，jK)的网格输出维度为c(0≤c≤C)的特征图y的计算方式如下：

y_c(i,j)＝∑_{(x,y)∈bin(i,j)}D_i,j,c(T_θ(x,y))/n_ij

其中D_i,j,c代表了尺寸为K×K×C的特征图，n_ij代表了网格的取样数量，bin(i,j)代表了坐标索引为i，j网格的真实坐标值，其中计算方式如下所示，T_θ代表了将每一个网格真实坐标(x，y)转换特征图上的坐标(x'，y')，转换方式如下所示：

6.根据权利要求1所述的一种基于多角度检测框的遥感图像目标检测方法，其特征在于：

在角度修正的训练阶段为了使损失函数收敛更快，重新设计了倾斜角度模块回归损失函数，提升了梯度函数中x1范围的梯度值，并且在缩短训练时间的同时提升了模型的检测性能，其中损失函数计算方式如下：

其中为了保证连续可导，在x＝1时aln(b+beta)＝μ,设置参数a＝0.5，beta＝1，μ＝1.5，