[发明专利]一种基于卷积神经网络的光学遥感图像飞机检测方法

摘要

本发明公开了一种基于卷积神经网络的光学遥感图像飞机检测方法，包括以下步骤：S1、训练样本的获取；S2、图像预处理；S3、网络模型的构建；S4、模型的训练；S5、检测结果的优化。本发明将深度学习引入飞机检测的应用当中，构建基于卷积神经网络的飞机检测结构模型，借助优化图像预处理、训练样本获取和改进训练结构等方式，解决了飞机朝向多样性的问题，提高了检测算法的性能，使得飞机检测算法能够有效应对复杂的地物因素，抗干扰能力强，鲁棒性好。

主权项

1.一种基于卷积神经网络的光学遥感图像飞机检测方法，其特征在于，包括以下步骤：S1、训练样本的获取，得到用于训练的正负样本数据；S2、图像预处理，得到训练模型的输入数据和待检测的遥感图像；S3、网络模型的构建，根据输入数据的特征及不同层级的功能，构建一个适用于飞机检测的卷积神经网络结构模型；其中，所述步骤S3包括以下分步骤：S31、利用特定的卷积核与每一层的输入数据卷积得到下一层的特征图；S32、借助特征映射层合并多个相似的特征，使得特征具备平移、缩放不变性；S4、模型的训练，初始化结构参数，利用每个层级的误差函数不断调整网络结构；其中，所述步骤S4包括以下分步骤：S41、初始化卷积神经网络的结构参数；S42、借助BP算法对各层级的参数进行调整，直到达到预设条件；并且，在模型的训练阶段，还根据损失函数的计算公式进行损失量的计算，并根据所述损失量计算损失量的变化值，以及在所述损失量的变化值小于预设的损失量变化阈值时，停止对所述卷积神经网络的训练，其中，E表示损失量，C表示最终的类别数，为第n个输入样本的第k维输出预测值，表示对应的实际输出值；在所述模型的训练阶段，还根据偏导数计算公式进行偏导数的计算，并根据层级误差公式进行层级误差的计算，以及根据权值计算公式进行权值系数的更新，其中，为误差对当前层的单个神经元u的偏导数，为第l+1层的权值系数，为误差敏感因子，为更新后的权值系数，η为学习速率，为l‑1层的输入；S5、检测结果的优化，借助非极大值抑制算法对飞机检测结果进行优化。