CN110728658A 一种基于深度学习的高分辨率遥感影像弱目标检测方法 （武汉大学）

一种基于深度学习的高分辨率遥感影像弱本发明公开了一种基于深度学习的高分辨的多层特征图既具有丰富的细节信息又包含高感兴趣区域对齐方法将所提取区域映射到相同2步骤S3：将所述训练数据集、验证数据集与测试步骤S4：采用基于区域建议的目标探测基础框步骤S5：将所述重建后的训练数据集输入至目标探测模型中，对步骤S6：利用所述重建后的验证数据集对步骤S步骤S7：将所述重建后的测试数据集输入至优化后的似性指标来进行分析，其中峰值信噪比PSNR的公式如式(2)所示，图像结构相似性指标3表示模型的定位误差，其中tx＝(x-xa)/wa，ty＝(y-ya)/ha，其中带下标a的数据为anchorbox4[0003]随着计算机软硬件水平的提升，其计算能力与海量数据存储能5图具有丰富的语义信息与细节信息，通过RPN网络利用融合后的特征图进行前景目标粗提6[0026]在一种实施方式中，特征提取与融合模块在进行低层特征和高层特征进行融合表示模型的定位误差，其中tx＝(x-xa)/wa，ty＝(y-ya)/ha，其中带下标a的数据为anchorbox输出的边界框参数值[0030]本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效7[0032]由于本发明提供的方法，采用了基于WGAN的影像超分辨率重建模型对训练数据[0034]图1为本发明实施例中一种基于深度学习的高分辨率遥感影像弱目标检测方法的成模块)在特征图上进行感兴趣区域粗提取，并利用感兴趣区域对齐方法将所提取区域映89像超分辨率重建采用基于Wasserstein生成式对抗网络(WGAN)的超分重建方法，[0053]WGAN使用Wasserstein距离代替之前的K-L散度与J-S散度，可以保证低分辨率影[0054]基于WGAN的影像超分辨率重建模型的优化目标函数中，fw(x小的常数，具体实施时本领域技术人员可以自行预设，实施例中，与粗定位进行前景提取与背景分离，通过置信度进行感兴趣区域(ROI)筛选，去掉冗余区[0068]在一种实施方式中，特征提取与融合模块在进行低层特征和高层特征进行融合一层特征图i进行1x1卷积(为了降低特征通道数)后，插值为和i-1层同样大小的特征图进层融合后特征图以及最高层特征图最大化池化后的特征图(为了生成更大尺度的建议区域)，然后将n-1层融合后特征图以及最高层特征图最大化池化后的特征图输入到后续的RPN网络中进行逐层处理生成感兴趣区域，将所述融合后的特征图(去掉池化后的特征图)[0070]下面结合图2对目标探测模型进行具体介绍，首先将输入影像输入基于WGAN的影的每一层特征图i进行1x1卷积(为了降低特征通道数)后，插值为和i-1层同样大小的特征图进行叠加融合，得到的融合特征再经过3x3卷积处理(消除上采样所带来的混叠效应)生成4层融合后特征图P2-P5以及最高层特征图最大化池化后的特征图P6(为了生成更大尺度[0074]子步骤3.生成感兴趣区域回归层得到对应区域的中心点坐标与长宽值，以此来进行感兴趣区域的粗提取。Anchor除的阈值为0.7，即将同一目标的多余Bbox去除的同时尽量做表示模型的定位误差，其中tx＝(x-xa)/wa，ty＝(y-ya)/ha，其中带下