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!
摘要:本发明公开了一种基于卷积神经网络的遥感目标检测方法,包括步骤:1、构建包括Backbone、Neck和Head的全尺度增强对齐检测网络模型OSEADet,其中,Neck为增强特征金字塔网络EFPN,在PAFPN网络上添加P2检测层,特征图P2经过SPDConv,输出富含小目标信息的特征图,将其与特征图P3融合,再利用CSP思想和CSPF模块进行特征整合;Head包括三个动态任务对齐共享检测头DSTA,DSTA包括分别用于预测目标位置和类别的边界框回归分支和分类分支,通过组卷积将三个DSTA的任务合并,从多个卷积层中学习任务交互特征,得到联合特征,增加任务之间的交互,并通过TaskDecomposition层动态调整并对齐任务;2、对OSEADet进行训练和验证;3、用训练好的OSEADet预测遥感目标位置和类别,不仅检测精度高,而且能够实时检测遥感目标。
主权项:1.一种基于卷积神经网络的遥感目标检测方法,其特征在于,包括如下步骤:步骤1、构建包括Backbone、Neck和Head的全尺度增强对齐检测网络模型OSEADet,其中:所述Backbone利用基于CNN网络构建的五层特征金字塔结构,提取遥感图像的不同尺度的特征图P1、P2、P3、P4和P5;所述Neck为增强特征金字塔网络EFPN,EFPN在PAFPN网络结构的基础上添加了P2检测层,特征图P2经过SPDConv,输出富含小目标信息的特征图,将富含小目标信息的特征图与特征图P3融合,再利用跨层连接CSP思想和CSPF模块进行特征整合;所述CSPF模块包括全局分支、大尺度分支和局部分支,CSPF模块通过全局分支、大尺度分支和局部分支对特征图进行多层次处理,使其捕捉到不同尺度的信息,再将多层次特征融合,然后通过快速傅里叶变换,将特征转换到频域进行处理,从而保留特征的全局信息;所述Head包括三个动态任务对齐共享检测头DSTA,DSTA结合了解耦头和耦合头的优势,包括边界框回归分支和分类分支,分别用于预测目标位置和类别,其中:通过组卷积将三个DSTA的任务合并,从多个卷积层中学习任务交互特征,得到联合特征,增加任务之间的交互,并通过TaskDecomposition层动态调整任务,使任务对齐;步骤2、利用现有的公开数据集对网络模型OSEADet进行训练和验证,通过最小化分类损失和回归损失,缩小预测值和真实标签值之间的差异;步骤3、利用训练好的网络模型OSEADet预测遥感目标的位置和类别。
权利要求:
百度查询: 西京学院 一种基于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。