[发明专利]一种后验实例信息引导的无锚框遥感旋转目标检测方法

说明书

本发明涉及一种后验实例信息引导的无锚框遥感旋转目标检测方法，属于遥感旋转目标检测技术领域。首先，采用多尺度相邻层特征融合网络对骨架网络输出的不同分辨率的特征层进行多尺度语义特征深度融合。其次，在多尺度相邻层特征融合网络之后设计像素级实例预测网络，用于获取遥感旋转目标的形状及角度信息。然后，将具有目标形状及角度信息的像素级实例预测结果注入到多尺度相邻层特征融合网络的输出特征，最后，利用基于中心点的无锚框检测算法定位图像中的遥感旋转目标。本方法显著提高了无锚框检测算法对光学遥感场景中的任意角度目标的检测效果，不仅提高了目标召回率，同时还大幅降低了虚警率，具有良好的实际应用价值。

技术领域

本发明涉及一种遥感旋转目标检测方法，具体涉及一种后验实例信息引导的无锚框遥感旋转目标检测方法，属于遥感旋转目标检测技术领域。

背景技术

随着光学遥感图像的分辨率不断提高，目前已经被广泛应用于农业生产、环境监测及军事侦察等各个领域。目标检测技术作为提取遥感影像信息的重要手段已经成为了遥感领域的研究热点。近些年，深度学习的飞速发展帮助机器视觉开拓了道路，基于卷积神经网络的目标检测算法日新月异，其相比于传统的目标检测算法有着更强的学习能力和泛化能力。但是面对光学遥感场景下的复杂背景以及目标分布密集的问题，如何有效利用卷积神经网络特征来解译光学遥感场景中的具有任意角度分布的目标是目前的重要研究方向。

目前，绝大多数的遥感旋转目标检测器都是基于锚框设计的，该类方法可以通过手工设置若干的旋转先验锚框来生成候选区域，然后通过卷积网络来对候选区域进行目标判定，若被初步判定为目标后，则通过进一步的网络学习将先验框回归到更精确的位置上，但是这类方法存在计算效率低、手工调整超参数等问题，当预设的锚框不合理时，会严重影响检测性能，算法普适性较差。因此，近年来，基于关键点的无锚框目标检测技术凭借简洁、高效的网络框架已经逐渐在遥感领域被广泛应用。但是，由于缺少了具有角度先验的锚框信息，无锚框的检测方法对于遥感场景中任意角度的旋转目标的学习能力要弱于有锚框的检测方法。在仅有角度监督信息的情况下，仅通过隐式的特征优化很难使无锚框的旋转目标检测器拥有较好的角度预测能力，因此，基于无锚框的旋转目标检测器的性能上限一直低于有锚框的检测器。针对该问题，应探索一种针对无锚框算法的目标角度引导方式，帮助无锚框的检测器能够更好的感知角度及目标形状信息，以提高遥感旋转目标的检测性能。

发明内容

本发明的目的是针对现有技术存在的不足和缺陷，为解决无锚框检测方法在光学遥感场景下对任意角度的遥感旋转目标检测精度低的问题，提出一种后验实例信息引导的无锚框遥感旋转目标检测方法。

本发明方法是通过下述技术方案实现的。

一种后验实例信息引导的无锚框遥感旋转目标检测方法，包括以下步骤：

步骤1：通过骨架网络提取遥感图像特征，然后利用多尺度相邻层特征融合网络对遥感图像特征进行多尺度语义特征深度融合，得到融合特征；

步骤2：将步骤1得到的融合特征输入到像素级实例预测网络中，输出具有目标角度以及形状信息的像素级实例预测结果；

步骤3：将步骤2获取的像素级实例预测结果注入到步骤1得到的融合特征上，生成后验信息注入特征；

步骤4：将步骤3生成的后验信息注入特征并行地输入到中心点预测网络、宽高预测网络以及角度预测网络，以获取目标的中心点预测值、宽高预测值和角度预测值。

步骤5：利用损失函数对步骤2的像素级实例预测结果、步骤4的中心点预测值、宽高预测值以及角度预测值不断进行修正，最终确定目标的边框信息，实现对遥感旋转目标的检测。

所述的步骤1中，通过骨架网络提取的遥感图像特征为一个多尺度特征组，该特征图组内一共包括4个特征，分辨率从大到小依次排列，分别为原始遥感图像分辨率的1/4倍、1/8倍、1/16倍、1/32倍。