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：西北工业大学

摘要：本发明公开了一种迁移学习驱动的未爆弹弹坑定位与识别方法，首先进行数据集构建，将遥感图像和无人机航拍图像分别对应源域和目标域数据集；采用源域数据集训练基础模型，平衡数据集训练迁移模型，最后进行模型推理，如果目标的置信度分数超过该阈值，认为该目标是可信的，可能存在未爆弹。本发明利用无人机图像和深度学习技术能够快速、准确地定位和识别未爆弹弹坑，提高了未爆弹搜寻过程的效率和准确性，为战地清扫和重建工作提供有力支持。

主权项：1.一种迁移学习驱动的未爆弹弹坑定位与识别方法，其特征在于，包括如下步骤：步骤1：数据集构建；获取战争遗留地区、冲突区域或军事演习区域的高分辨率遥感图像无人机航拍图像，对图像进行筛选和预处理，人工标注弹坑并划分训练集和测试集；遥感图像和无人机航拍图像分别对应源域和目标域数据集；步骤2：源域数据集训练基础模型；所述基础模型包括特征提取网络、特征金字塔、ROI池化层、ROI特征提取网络、区域生成网络、分类器和回归器；源图像输入到特征提取网络，再依次经过特征金字塔、ROI池化层、ROI特征提取网络；特征金字塔还通过区域生成网络连接到ROI池化层；所述特征提取网络对图像进行特征提取；所述特征金字塔融合多尺度上下文信息；所述区域生成网络在特征图上滑动窗口生成候选区域，并输出置信度得分和位置偏移信息；所述ROI池化层将不同大小的候选区域映射成固定维度的特征表示；所述ROI特征提取网络利用卷积层对ROI池化层的结果进行进一步的特征提取；提取的特征再分别送入分类器和回归器；所述分类器和回归器通过全连接层对特征进行分类和回归；基础模型通过联合损失函数进行训练，包括区域生成网络的损失、分类器的交叉熵损失和回归器的平滑L1损失；通过梯度下降算法迭代优化模型参数，直到满足要求或模型精度不再提升；步骤3：平衡数据集训练迁移模型；随机采样相等数量的源域图像和目标域图像，构建平衡数据集；所述迁移模型在基础模型上增加了对比表征嵌入分支；在迁移模型中ROI特征提取网络提取的特征分别送入分类器、回归器和对比表征嵌入分支；所述迁移模型的分类器使用余弦相似性分类器；所述余弦相似性分类器通过衡量候选区域特征与类权重向量的相似性进行分类判定；所述对比表征嵌入分支利用多层感知机结构将候选区域的特征编码为对比表征嵌入向量，设计损失函数使得相同类别样本在特征空间上更加紧凑，不同类别样本逐渐远离；所述迁移模型在微调过程中固定特征提取网络的参数，通过梯度下降算法优化其他模块参数，直到达到模型精度要求或不再提升；步骤4：模型推理；给定一组待测图片，通过训练好的模型得到一组预测结果，每个结果包含目标的边界框坐标、预测类别和置信度分数；设置置信度阈值δ，如果目标的置信度分数超过该阈值，认为该目标是可信的，可能存在未爆弹。

全文数据：

权利要求：

百度查询： 西北工业大学 一种迁移学习驱动的未爆弹弹坑定位与识别方法