申请/专利权人：成都理工大学

申请日：2024-04-11

公开（公告）日：2024-06-18

公开（公告）号：CN118052979B

主分类号：G06F17/00

分类号：G06F17/00;G06V10/25;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2024.06.04#实质审查的生效;2024.05.17#公开

摘要：本发明公开了一种基于交叉矫正网络的遥感影像目标检测方法，属于图像识别技术领域，包括构造数据集，其中训练样本的标签为粗略标注；构造双检测头交叉矫正网络并训练得到第一检测模型M1，能通过两检测头输出2个第二预测框；双检测头交叉矫正得到伪标签，基于伪标签构造联合监督损失来调整M1的参数，并更新数据集，最终生成纠正数据集来训练一目标检测模型，用于遥感图像的预测输出。本发明针对遥感影像目标不精确标注的问题，使用加权融合优化算法，得到伪标签，去优化模型参数并纠正不精确标注，从而提高了模型的鲁棒性，有效解决因不准确标注对模型造成的影响。

主权项：1.一种基于交叉矫正网络的遥感影像目标检测方法，其特征在于：包括以下步骤；S1，构造数据集；获取不同场景的遥感影像，粗略标注每张遥感影像的标签，将带有标签的遥感图像作为训练样本，构成数据集，所述标签包括目标的真实类别和真实框；S2，构造双检测头交叉矫正网络；所述双检测头交叉矫正网络包括骨干网络、颈部网络和检测头部网络，所述检测头部网络包括两个检测头DA和DB，DA和DB结构相同并随机初始化参数，其中，骨干网络、颈部网络与DA构成第一检测网络MA，骨干网络、颈部网络与DB构成第二检测网络MB；S3，用数据集训练双检测头交叉矫正网络，得到第一检测模型M1，所述M1用于输入遥感图像，并分别经DA和DB得到遥感图像的预测输出，所述预测输出包括目标的预测类别概率和预测框；S4，由MA和MB分别基于加权融合生成目标的第二预测框tA和tB，包括S41~S45；S41，将训练样本x送入M1，经骨干网络和颈部网络后，对每个目标，输出一预测框集合，剔除负样本框，得到集合B；S42，经检测头DA获取集合B中所有正样本框的类别分数，构成类别分数集合CA，计算CA中类别分数总和ts；S43，对集合B中每个正样本框，根据其类别分数在ts中所占的权重，更新坐标参数，得到对应的更新样本框，再求和得到目标的融合框P*；S44，计算集合B中每个正样本框与真实框的IoU值，构成IoU集合U，计算CA和U的协方差CovCA,U，若CovCA,U≥0，根据下式生成MA对目标的第二预测框tA，否则将真实框作为tA； ， ω为t*的权重，t*为训练样本x的真实框；S45，由检测头DB获取集合B中所有正样本框的类别分数，按步骤S43~S44的方法，生成MB对目标的第二预测框tB；S5，双检测头交叉矫正，包括S51~S52；S51，对数据集中的每个训练样本生成伪标签，其中训练样本x的伪标签根据下式得到； ，式中，yA、yB分别为CA和CB中的最大值，为伪标签类别，为伪标签边界框；S52，构造联合监督损失L； ， ，式中，LS为模型M1的损失函数，LP为伪标签监督损失函数，为分类损失函数，为边界框回归损失函数，为预测类别概率，为预测框；S6，预设迭代次数，用随机梯度下降法最小化L调整模型M1的参数，并更新数据集，迭代结束后得到的数据集作为纠正数据集，其中一次迭代训练为；将数据集送入M1，每个训练样本经M1得到两个第二预测框tA和tB，并经双检测头交叉矫正得到伪标签，用伪标签替换训练样本的标签，更新训练样本，构成下次迭代训练的数据集，并用随机梯度下降法调整模型M1的参数；S7，用纠正数据集训练一目标检测模型，用于遥感图像的预测输出；S42中，目标的类别分数总和，其中，ti为集合B中第i个正样本框的类别分数，T为正样本框总数，i=1~T；S43具体为；Sa1，集合B中第i个正样本框bi的坐标参数、、、，根据下式进行更新，得到更新样本框的坐标参数、、、； ，其中，ti为集合B中第i个正样本框的类别分数，T为正样本框总数，i=1~T，z为bi的1个坐标参数，，、、、分别为第i个正样本框的x轴最小值、x轴最大值、y轴最小值、y轴最小值； z *为的1个坐标参数，，、、、分别为的x轴最小值、x轴最大值、y轴最小值、y轴最小值；Sa2，对所有更新样本框对应的坐标参数求和，得到融合框的坐标参数、、、，分别为的x轴最小值、x轴最大值、y轴最小值、y轴最小值； 、、、。

全文数据：

权利要求：

百度查询： 成都理工大学 一种基于交叉矫正网络的遥感影像目标检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD