一种特征库迁移的遥感小样本目标检测方法

本发明涉及目标检测，尤其涉及一种特征库迁移的遥感小样本目标检测方法。

背景技术：

1、目标检测问题是遥感图像处理领域的一个重要的问题，其中小样本目标的检测是一种较为困难的任务场景，但有着极高的应用价值。小样本目标检测是对场景中不常见或样本数量稀少的目标类别进行精确定位识别的任务，小样本目标检测技术通过学习常见类别样本和少量稀少类别样本组成的数据集，从中提取目标的特征信息，构建出一种能准确识别定位常见类别目标和较为准确识别定位稀少类别目标的模型。

2、近年来，小样本检测技术发展迅速，有很多优秀的小样本目标检测算法，这些算法对于图像中目标尺度占比较大(图像和目标长宽比一般不超过10)并且较少数量的目标，在小样本的条件下可以实现较好的性能，但是对于遥感图像，由于其图像尺寸大，图像和目标长宽比大，目标尺寸变化范围广等特点，现有的目标检测技术应用于这类仅有少量样本的小样本检测任务时效果较差，检测模型无法通过少数训练样本对目标进行精准的检测识别。

技术实现思路

1、本发明的目的是提供一种特征库迁移的遥感小样本目标检测方法，该方法解决了在遥感图像中针对数量较为稀少的目标类别特征建模较差，无法精确识别的问题，提升了遥感图像检测在实际应用中的有效性。

2、本发明的目的是通过以下技术方案实现的：

3、一种特征库迁移的遥感小样本目标检测方法，所述方法包括：

4、步骤1、首先针对输入的待检测遥感图像，基于深度卷积神经网络进行多尺度特征提取，生成非小样本类别的检测模型；

5、步骤2、设置小样本特征库，并将所述小样本特征库加入检测模型进行训练，使所述检测模型在小样本检测的同时保持对常见目标的检测能力；

6、步骤3、针对待检测遥感图像对称性高的特点，在检测模型完成训练后进行检测结果预测时，引入对称矩阵参数系数，通过对检测模型预测结果输出的回归分支参数进行修正，提升小样本检测目标检测精度。

7、由上述本发明提供的技术方案可以看出，上述方法解决了在遥感图像中针对数量较为稀少的目标类别特征建模较差，无法精确识别的问题，提升了遥感图像检测在实际应用中的有效性。

技术特征：

1.一种特征库迁移的遥感小样本目标检测方法，其特征在于，所述方法包括：

2.根据权利要求1所述特征库迁移的遥感小样本目标检测方法，其特征在于，在步骤1中，首先设置包含非小样本类别目标的遥感数据集a，对非小样本类别目标进行位置坐标和类别标注，确保遥感数据集a中无小样本目标或小样本目标在训练中不参与损失函数计算；

3.根据权利要求1所述特征库迁移的遥感小样本目标检测方法，其特征在于，在步骤2中，在训练好的检测模型中加入支援分支，设置包含小样本目标的遥感数据集b，对小样本目标进行位置坐标和类别标注，确保遥感数据集b中无常见目标或常见目标在训练中不作为负样本参与损失函数计算；

4.根据权利要求1所述特征库迁移的遥感小样本目标检测方法，其特征在于，在步骤3中，具体是对待检测遥感图像的特征向量进行多个对称矩阵相乘，再比较各结果与原向量的相似度，即距离度量，取与最小距离向量夹角的一半为目标朝向，通过添加旋转矩阵的方式为检测模型的最后一层参数增添系数，具体来说：

技术总结
本发明公开了一种特征库迁移的遥感小样本目标检测方法，首先针对输入的待检测遥感图像，基于深度卷积神经网络进行多尺度特征提取，生成常见类别的检测模型；设置小样本特征库，并将所述小样本特征库加入检测模型进行训练，使所述检测模型在小样本检测的同时保持对常见目标的检测能力；针对待检测遥感图像对称性高的特点，在检测模型完成训练后进行检测结果预测时，引入对称矩阵参数系数，通过对定位分支参数进行修正，提升小样本检测目标检测精度。上述方法解决了在遥感图像中针对数量较为稀少的目标类别特征建模较差，无法精确识别的问题，提升了遥感图像检测在实际应用中的有效性。

技术研发人员：张恺,吕群波,谭政,孙建颖,胡登辉,苏斌嫔,刘洋,高爽
受保护的技术使用者：中国科学院空天信息创新研究院
技术研发日：
技术公布日：2024/1/15