(19)国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 202210455974.3
(22)申请日 2022.04.28
(71)申请人 中国电子科技 集团公司第五十四研
究所
地址 050081 河北省石家庄市中山西路589
号第五十四所航 天信息应用技术重点
实验室
(72)发明人 张萌月 王港 陈金勇 王敏
武晓博
(74)专利代理 机构 河北东尚律师事务所 13124
专利代理师 王文庆
(51)Int.Cl.
G06V 20/10(2022.01)
G06V 10/25(2022.01)
G06V 10/774(2022.01)G06V 10/80(2022.01)
G06N 3/04(2006.01)
(54)发明名称
一种宽幅遥感影像中密集弱小目标检测识
别方法
(57)摘要
本发明提供了一种宽幅遥感影像中密集弱
小目标检测识别方法。 该方法利用Mo saic、 旋转、
MixUp、 缩放等手段进行样本扩增, 获得丰富的、
多尺度的训练样本; 然后利用Transformer改进
YOLOv5网络, 并增加弱小目标检测头, 增 强模型
对图像中全局信息和上下文信息的表征能力, 提
高密集场景下弱小目标检测识别性能; 同时, 使
用多模型融合预测方法, 提高预测精度, 避免模
型陷入局部最优; 最后, 使用分块检测的方法进
行宽幅遥感影像中密集弱小目标检测识别。 本发
明使用了多模 型融合预测, 可以提高模型目标检
测识别能力, 避免模型陷入局部最优。
权利要求书2页 说明书7页 附图2页
CN 114821326 A
2022.07.29
CN 114821326 A
1.一种宽幅遥感影 像中密集弱小目标检测识别方法, 其特 征在于, 包括如下步骤:
(1)数据准备: 对遥感影像数据集中的图像数据进行数据增广, 获取数量更多、 尺度更
多的样本数据;
(2)特征提取: 从训练样本集中抽取训练样本, 加入Transformer编码器, 改进YOLOv5网
络, 用于提取训练样本的多尺度特 征;
(3)多尺度预测: 增加弱小目标检测头, 用于弱小目标检测识别, 并结合原有的检测头
实现多尺度目标 预测, 然后使用NMS非极大值抑制对多个 检测头的预测结果进行融合;
(4)多模型融合预测: 基于训练集训练n个模型, 并将n个模型的预测结果使用WBF加权
边界框进 行融合, 得到最终的预测结果, 并用预测结果对各个模型调参; 返回步骤(2), 直至
各个模型损失函数一 致收敛, 完成模型训练, 构成集成模型;
(5)弱小目标检测识别: 使用集成模型对宽幅遥感影像中的密集弱小目标进行检测识
别。
2.根据权利要求1所述的一种宽幅遥感影像中密集弱小目标检测识别方法, 其特征在
于, 所述步骤(1)中对训练集和 测试集中的图像数据进行 数据增广, 包括以下 方式:
(101)Mosaic马赛克处理: 从训练集Dtrain中随机选取4张图片, 对4张图片进行随机缩
放、 裁剪、 色域变换, 然后 将4张图片随机排布组合 成新的样 本, 并重新记录新样本中目标标
注框坐标;
(102)旋转处理: 以训练样本图像中心作 为旋转中心点, 设置旋转角度为45 °, 顺时针旋
转7次, 生成7个新样本; 每次旋转后都计算目标 标注框位置, 并重新写入标注文件;
(103)MixUp混合处理: 从训练样本中随机选取2张训练样本, 记作x1和x2, 其对应标签分
别为y1和y2, 计算混合后的样本xmix及其标签ymix:
λ=Beta( α, β )
xmix= λ*x1+(1‑λ )*x2
ymix= λ*y1+(1‑λ )*y2
其中, 参数α 和β 为按需设置的参数, Beta()为贝塔函数, λ为混合权 重;
(104)缩放处理: 将数据样本分别缩放到原始样本的1.5倍、 0.75倍、 0.5倍, 获得不同尺
度的训练样本 。
3.根据权利要求2所述的一种宽幅遥感影像中密集弱小目标检测识别方法, 其特征在
于, 所述步骤(2)中对YOLOv5的改进为:
将原始YOLOv5网络颈部中 的CSP模块替换为Transformer编码器, 用于提取全局和上下
文特征, 加强密集场景下弱小目标检测能力; 其中, Tr ansformer编码器由注意力模块和全
连接模块组成, 注意力模块包含LayerNorm、 注意力层、 Dropout层, 全连接模块包含
LayerNorm、 全连接层、 Dropout层; 注意力模块和全连接模块之间使用残差连接 。
4.根据权利要求3所述的一种宽幅遥感影像中密集弱小目标检测识别方法, 其特征在
于, 所述步骤(3)的具体方式为:
在原始YOLOv5骨干网络的CSP_1层后, 依次连接Concat、 Transformer编码器、 CONV层,
用于提取图像的浅层特 征, 并增加一个检测头l, 用于加强弱小目标的检测能力;
检测头l使用浅层的高分辨率特征图计算小目标的预测结果, 然后将这个预测结果和
其他检测头的预测结果使用NMS非极大值抑制进行融合, 得到一个预测结果。权 利 要 求 书 1/2 页
2
CN 114821326 A
25.根据权利要求4所述的一种宽幅遥感影像中密集弱小目标检测识别方法, 其特征在
于, 所述步骤(4)的具体方式为:
(401) 基于步骤 (1) ~ (3) 的方法随 机 训练n个模型 , 得到n个预 测结果
其中,
为检测头i预测的
边界框的左上角坐标,
为检测头i预测的边界框的右下角坐标, si为预测框i的置信
度, i=1,2,3,l;
(402)使用WBF加权边界框对n个预测结果融合, 得到最终的预测结果:
其中,
为融合结果的左上角坐标,
为融合结果的右下角坐标, sP为融合
结果的置信度;
(403)使用融合后的预测结果对模型参数进行反馈调节, 直至各个模型损失函数一致
收敛, 完成模型训练, 形成集成模型。
6.根据权利要求1所述的一种宽幅遥感影像中密集弱小目标检测识别方法, 其特征在
于, 步骤(5)的具体方式为:
(501)影像分块: 影像尺寸为w ×h, 其中w、 h分别为影像的宽度和长度; 设定裁剪窗口宽
度为w, 长度为d, 使裁剪窗口以(d ‑lobj)的步长沿影像长度方向滑动, 将影像裁剪成影像块,
其中lobj是影像中最大的目标尺寸;
(502)将影像块分别送入集成模型进行密集弱小目标 预测;
(503)将预测后的影像块拼接, 并对重叠区域的预测框使用NMS非极大值抑制进行融
合。权 利 要 求 书 2/2 页
3
CN 114821326 A
3
专利 一种宽幅遥感影像中密集弱小目标检测识别方法
安全报告 >
其他 >
文档预览
中文文档
12 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共12页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-18 07:34:34上传分享