申请/专利权人：东南大学

申请日：2021-01-22

公开（公告）日：2024-04-16

公开（公告）号：CN112766184B

主分类号：G06V20/13

分类号：G06V20/13;G06V10/44;G06V10/764;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.05.25#实质审查的生效;2021.05.07#公开

摘要：本发明公开了一种基于多层级特征选择卷积神经网络的遥感目标检测方法，该方法首先搭建卷积神经网络模型，并对搭建的卷积神经网络结构参数进行设定和训练参数初始化；再对训练图像进行预处理和标签格式转化，然后预处理和标签格式转化的训练图像进行数据增强；进行卷积神经网络模型训练，得到网络权重和偏置；将测试图像输入训练好的神经网络模型，得到定位和分类结果。由于基于水平框的目标识别对紧密排列的旋转物体无法正确定位，同时按目标尺寸大小进行特征分类的方式过于简单而存在问题，通过本发明公开的多层级特征选择卷积神经网络的方法可以实现任意方向物体的识别以及分类，并大大提高准确率。

主权项：1.一种基于多层级特征选择卷积神经网络的遥感目标检测方法，其特征在于：该方法包括以下步骤：1搭建卷积神经网络模型，并对搭建的卷积神经网络结构参数进行设定和训练参数初始化；在步骤1中，所述搭建卷积神经网络模型的结构如下：第一部分为骨干网络模块，输入图像经过自下而上的ResNet50网络以及自上而下的特征金字塔组成的骨干网络提取到特征；第二部分为路径聚合模块，骨干网络横向连接了一个自下而上的路径聚合分支，从而得到新的特征图；第三部分为特征选择模块，新的特征图经过目标候选网络RPN得出不同尺度的目标候选区域proposals，并将候选区域与groundtruth真值映射到不同层级的特征图中，分别计算IoU-loss的大小，选取最小loss的层级进行后续的RoIAlign区域特征对齐；最后的输出层利用proposals从特征图中提取特征送入后续全连接和softmax网络作回归和分类；2对训练图像进行预处理和标签格式转化，然后预处理和标签格式转化的训练图像进行数据增强；3用步骤2中得到的数据进行卷积神经网络模型训练，得到网络权重和偏置；4将测试图像输入步骤3中训练好的神经网络模型，得到定位和分类结果。

全文数据：

权利要求：

百度查询： 东南大学 基于多层级特征选择卷积神经网络的遥感目标检测方法

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