【技術實現步驟摘要】
本專利技術屬于圖像處理，進一步涉及遙感圖像弱監督目標檢測技術，具體為一種基于權重再分配和任務對齊的遙感圖像弱監督目標檢測方法，可用于軍事戰略、城市規劃和地理信息系統建設等。
技術介紹
1、弱監督目標檢測利用圖像級類別標簽完成高價值目標的定位和分類。相比于全監督目標檢測使用的實例級標簽，弱監督目標檢測節省大量的標注成本。該技術被廣泛應用于軍事、民事、環境監測和農業等領域。現有弱監督目標檢測通過多實例學習來實現。具體來說，輸入圖像被視為一組對象實例，圖像級標簽用于在多實例學習框架下監督實例分類器。隨著弱監督目標檢測的發展，利用實例級偽標簽(包括正實例和負實例)迭代地優化實例分類器深受研究者關注。首先，利用預測分數挖掘種子實例作為正實例。其次，在標簽傳播過程中，鄰域實例和種子實例之間有大的空間相似性時，為鄰域實例分配正標簽，否則分配負標簽。據此，實例級偽標簽監督實例分類器。
2、在現有技術文獻wsddn[h.bilen?and?a.vedaldi,“weakly?supervised?deepdetection?networks,”in?proc.ieee?conf.comput.vis.pattern?recognit.(cvpr),jun.2016,pp.2846–2854.]中，wsddn首先結合多實例學習和深度學習完成弱監督目標檢測。首先，使用選擇性搜索算法為輸入圖像生成目標候選框。其次，目標候選框和輸入圖像輸入主干網絡、感興趣區域池化和兩個全連接層，得到每個目標候選框的特征向量。接著，目標候選框的特征向量被輸入多
3、目前弱監督遙感圖像目標檢測存在的主要問題包括如下：1)鄰域實例的誤分類問題；現有弱監督目標檢測在標簽傳播過程中僅依賴空間相似性為鄰域實例分配偽標簽，導致空間臨近的目標被錯誤地分配偽標簽，從而使得鄰域實例被錯誤地分類。2)定位目標最顯著區域問題；弱監督目標檢測模型為覆蓋目標最顯著區域的實例分配高的損失權重，導致模型僅關注目標最顯著區域。3)分類任務和回歸任務不兼容問題；弱監督目標檢測中，分類任務和回歸任務利用共享的特征，兩者之間不存在耦合，導致某些分類分數高的目標候選框不一定是回歸最準確的。
技術實現思路
1、針對現有技術的不足，本專利技術旨在提出一種基于權重再分配和任務對齊的遙感圖像弱監督目標檢測方法，解決現有檢測方案鄰域目標誤分類、僅關注目標最顯著區域以及分類分支與回歸分支不一致的問題。通過在現有實例分類器在線優化模型oicr中引入高質量正實例挖掘(high-quality?positive?instances?mining,hpim)，在標簽傳播過程中考慮實例之間的空間相似性和特征相似性，從而避免鄰域實例的誤分類問題；同時通過計算正實例之間的空間關系矩陣，篩選出覆蓋目標完整的實例，通過正實例權重再分配(positive?instances?weights?re-assigning,piwr)鼓勵弱監督遙感圖像目標檢測模型關注目標整體；最后考慮弱監督目標檢測模型初期的不穩定性，引入任務對齊邊框回歸損失(task-aligned?bounding?box?regression?loss,tabrl)，通過設計任務對齊調制因子，使模型能夠根據迭代次數動態調整權重，之后再將調制因子和實例的困難程度結合，作為回歸分支的權重，提高了分類分支和回歸分支的一致性。本專利技術能夠有效克服現有技術存在的缺陷，提升遙感圖像弱監督目標檢測效果。
2、本專利技術實現上述目的具體步驟，包括如下：
3、(1)給定遙感圖像其中h、w和b分別表示圖像的寬、高和通道數；利用選擇性搜索算法為遙感圖像i生成m個目標候選框，組成目標候選框集合pr＝{pr1，pr2，...prm,prm}，其中prm表示第m個目標候選框；
4、(2)將遙感圖像i和目標候選框集合pr輸入實例分類器在線優化模型oicr，該模型包括主干網絡、多實例檢測網絡、實例分類優化分支和任務對齊邊框回歸分支；通過主干網絡、感興趣區域池化和兩個全連接層得到所有目標候選框的特征向量并將其送入多實例檢測網絡，其中fm表示第m個目標候選框的特征向量；
5、(3)目標候選框特征向量輸入多實例檢測網絡中的兩個平行分支，分別經過兩個分支后得到在類別c中的兩個分數矩陣根據下式獲取目標候選框在類別c中的類別置信得分矩陣
6、
7、其中，⊙表示哈達曼達積，c為全部類別c中的任意一類；
8、根據下式獲得圖像級類別預測得分φc：
9、
10、其中，表示第m個目標候選框在類別c中的類別置信度得分；
11、(4)在基準弱監督目標檢測模型中添加k個平行的實例分類優化分支，通過將目標候選框特征向量輸入第k個實例分類優化分支，得到目標候選框的類別置信度得分其中，c+1表示背景類別；
12、(5)以第k-1個分支的預測分數作為高質量正實例挖掘的輸入，通過對降序排序，挑選前百分之p的實例作為第k個分支中第c個類別的初始種子實例集合其次，在對初始種子實例進行非極大值抑制操作得到種子實例集合實現種子實例挖掘；
13、(6)通過空間相似性挖掘初始鄰域實例，設定空間相似性判定閾值ζ，當第j個種子實例和其他實例之間的空間相似iou大于閾值ζ時，判定該實例為初始鄰域實例，反之判定為背景實例；得到種子實例的初始鄰域實例集合
14、(7)通過實例之間特征相似性剔除誤分類的初始鄰域實例，設定特征相似性閾值δ，當第j個種子實例和初始鄰域實例之間的特征相似性小于δ時，將該初始鄰域實例判定為背景實例，得到第j個種子實例的鄰域實例集合獲取所有種子實例的鄰域實例集合，得到第k個實例分類優化分支的實例級監督信息yk；
15、(8)通過正實例權重再分配策略為覆蓋目標完整的正實例分配損失權重，首先針對種子實例和其鄰域實例構建正實例子集sn，再計算sn中實例之間的空間關系，構建空間距離矩陣然后對g沿行方向求和本文檔來自技高網...
【技術保護點】
1.一種基于權重再分配和任務對齊的遙感圖像弱監督目標檢測方法，其特征在于，實現步驟包括如下：
2.根據權利要求1所述的方法，其特征在于：步驟(3)中所述多實例檢測網絡中的兩個平行分支，均由一個全連接層和Softmax分類器構成。
3.根據權利要求1所述的方法，其特征在于：步驟(5)中所述初始種子實例集合具體是通過對降序排序，然后挑選前百分之p的實例作為第k個分支中第c個類別的初始種子實例集合
4.根據權利要求1所述的方法，其特征在于：步驟(7)中所述第j個種子實例和初始鄰域實例inii之間的特征相似性，根據下式得到：
5.根據權利要求1所述的方法，其特征在于：步驟(8)中所述通過正實例權重再分配策略為覆蓋目標完整的正實例分配損失權重，具體實現步驟如下：
6.根據權利要求5所述的方法，其特征在于：步驟(8.2)中所述實例之間的空間關系，根據下式建立：
7.根據權利要求1所述的方法，其特征在于：步驟(11)中所述基準弱監督目標檢測網絡的損失函數LWSDDN，具體如下：
【技術特征摘要】
1.一種基于權重再分配和任務對齊的遙感圖像弱監督目標檢測方法，其特征在于，實現步驟包括如下：
2.根據權利要求1所述的方法，其特征在于：步驟(3)中所述多實例檢測網絡中的兩個平行分支，均由一個全連接層和softmax分類器構成。
3.根據權利要求1所述的方法，其特征在于：步驟(5)中所述初始種子實例集合具體是通過對降序排序，然后挑選前百分之p的實例作為第k個分支中第c個類別的初始種子實例集合
4.根據權利要求1所述的方法，其特征在于：...
【專利技術屬性】
技術研發人員：王海，譚金林，王晨好，張敏，霍豫，成曦，
申請(專利權)人：西安電子科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。