申请/专利权人：南京信息工程大学

申请日：2020-09-29

公开（公告）日：2021-01-05

公开（公告）号：CN112183414A

主分类号：G06K9/00(20060101)

分类号：G06K9/00(20060101);G06K9/62(20060101);G06N3/04(20060101)

优先权：

专利状态码：失效-发明专利申请公布后的驳回

法律状态：2024.03.22#发明专利申请公布后的驳回;2021.01.22#实质审查的生效;2021.01.05#公开

摘要：本发明提出了一种基于混合空洞卷积的弱监督遥感目标检测方法。本发明采用混合空洞卷积、注意力机制和多层池化等多种定制设计，增强多尺度特征提取及融合，提高对不同尺寸对象的鲁棒性。此外，本发明利用强监督和弱监督检测器之间的异步迭代交替训练，只需要图像级真实标签即可进行训练和检测，达到协同提升检测性能的目标。

主权项：1.一种基于混合空洞卷积的弱监督遥感目标检测方法，其特征在于，该方法包括如下步骤：1获取待检测的遥感图像数据集，按比例将数据集划分为训练集、验证集和测试集；2利用混合空洞卷积构造无损残差网络，并使用其对遥感图像中的目标物体进行多尺度特征的提取，即低级视觉特征和高级语义特征；3将步骤2中提取的特征送入通道注意力模块，强化对目标检测任务有效的关键特征信息，并抑制无效的特征信息；4将步骤3中强化后的特征送入级联多层池化模块进行特征融合，实现低级视觉特征与高级语义特征的进一步融合，融合后的特征作为特征提取网络的最终输出；5将步骤4得到的最终特征送入协同检测模块，该模块具有多实例学习分支和检测框回归分支两个分支，其中，弱监督检测网络WSDDN作为多实例学习分支来生成伪标签信息，强监督检测网络FastR-CNN作为检测框回归分支来实现更准确的目标定位，图中目标的检测类别概率及其检测框共同作为该模块的检测结果；6根据步骤5的检测结果计算两个分支训练的一致性误差，通过梯度下降算法同时更新两者的权重参数，进行协同训练，并通过验证集测试检测精度，不断调整网络模型，直到精度满足预期；7将训练完成的网络模型作为检测器，将测试集的特征输入检测器中进行检测，得到检测结果即为遥感图像中该类目标物体的概率及其检测框。

全文数据：

权利要求：

百度查询： 南京信息工程大学 一种基于混合空洞卷积的弱监督遥感目标检测方法

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