买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：郑州轻工业大学

摘要：本发明提出了一种基于完备多实例学习和软标签定义的遥感图像弱监督目标检测方法，步骤为：对原始图像进行不同的仿射变换，输入卷积神经得到多个特征图，生成一系列目标候选框；将多个特征图和目标候选框依次输入感兴趣区域池化层、两个全连接层得到目标候选框特征向量，将目标候选框特征向量依次输入基础多实例学习网络、多个实例分类优化分支，得到类别置信得分矩阵；根据伪标签挖掘策略构建特征库，根据相似性阈值判断目标候选框是否是种子实例；对所有实例的软标签进行定义生成监督信号直接监督实例分类优化分支；通过完备多实例学习为每个实例分类优化分支引入真实标签的监督间接训练实例分类优化分支；将遥感图像输入训练好的弱监督目标检测模型得到预测结果。本发明通过完备多实例学习和精确的软标签定义提高了弱监督目标的检测精度与定位精度。

主权项：1.一种基于完备多实例学习和软标签定义的遥感图像弱监督目标检测方法，其特征在于，其步骤为：步骤一：对高分辨率遥感图像数据集中的原始图像进行不同的仿射变换，将仿射变换后的图像和原始图像分别输入共享的卷积神经得到多个特征图，使用选择性搜索算法为原始图像生成一系列目标候选框；步骤二：将多个特征图和对应的目标候选框输入感兴趣区域池化层获取每个目标候选框的特征图，目标候选框的特征图输入两个全连接层后得到目标候选框特征向量，将原始图像对应的目标候选框特征向量输入基础多实例学习网络，得到类别置信得分矩阵；将仿射变换后的图像的目标候选框特征向量输入多个实例分类优化分支，得到对应的预测类别置信得分；步骤三：根据伪标签挖掘策略挖掘基础多实例学习网络以及所有实例分类优化分支的初始正实例集合，将初始正实例集合中的实例特征向量进行特征提取并构建特征库，利用特征库计算相似性阈值，根据相似性阈值判断目标候选框是否是种子实例；步骤四：根据目标候选框是否属于种子实例和得到的预测类别置信得分对种子实例的软标签进行定义，其他实例的软标签定义依据空间关系以及特征相似性进行定义；步骤五：通过软标签定义为每个实例分类优化分支提供之间的监督，通过完备多实例学习为每个实例分类优化分支引入真实标签间接的监督，通过基础多实例学习网络的损失、回归分支损失构成的总损失训练步骤一和步骤二构成的弱监督目标检测模型；步骤六：将待检测的遥感图像输入训练好的弱监督目标检测模型得到初始预测结果，利用非极大值抑制操作处理初始预测结果得到最终的预测结果。

全文数据：

权利要求：

百度查询： 郑州轻工业大学 基于完备多实例学习和软标签定义的遥感图像弱监督目标检测方法