CN115830480B 一种小样本航空图像旋转目标检测方法 （西北工业大学）

本发明提供了一种小样本航空图像旋转目对旋转目标检测器网络Redet进行基础训练，并模块中增加分类重加权模块，将RPN的分类损失替换为Focal损失并增加一个可学习损失权值2步骤S1、构建训练数据集：将航空图像数据集的所步骤S2、基础训练：使用ResNet50网络官方提供的预训RCNN_reg表示增加角度约束项后的框回归损失函数；LKFIoU表LEVCS表示角度约束项；表示预测框的4个顶点构成的8个有向向量集左下方顶点4；向量表示从预测框向量集合中选出的与真值框的两个有向向量eci在方向和向量长度上最接近的有向向量；exp表示以自然常数e为底所述的分类重加权模块CRM主要由一个卷积层构成，放置在框定位分支之后所述的替换为Focal损失并增加一个可学习损失权值项的RPN的分类损失函LRPN_cls＝loss_weight*[_α*(1_pt)γ*label*log(pt)_(1_α)*ptγ*(1_label)*log(1_3le-"l⃞-")(7)t表示RPN模块最终输出的预测前背景分类4[0002]航空图像中的目标通常是任意方向、密集分布的，用水平框(horizontal图像的旋转目标检测算法，这些算法通过使用旋转包围框(orientedboundingboxes,的旋转目标检测模型也很难泛化到仅有少量注释信息的新类别的目标上。小样本学习(Few_Shotlearning)是派生于人类快速学习能力，类似于举一反三：人们根据从基础类(baseclasses)习得的大量知识，仅利用少量注释信息就能快速学会检测一个新类别[0003]多数小样本目标检测算法一般采用两阶段微调方法(two_stagefine_tuning练出的小样本目标检测模型具有一定的定位能力，但是对于目标的类别的判别却有待改此依然需要进一步改善小样本旋转目标检测模型的定位能力。目前，在常规的旋转目标检测任务上已经涌现了许多优秀的算法，取得了不错的进展。如Yang等人在2022年的工作“TheKFIoULossforRotatedObjectDetection[J].arXivpreprintarXiv:2201.12558,2022”中提出5[0005]为了克服现有技术的不足，本发明提供一种小样本航空图像旋转目标检测方失替换为Focal损失并增加一个可学习损失权值项，同样在RCNN的框回归损失中也增加一EVCS表示角度约束项；表示预测框的4个顶点构成的8个有向向6值框的左下方顶点4；向量表示从预测框向量集合中选出的与ei[0013]所述的分类重加权模块CRM主要由一个卷积层构成，放置在框定位分支之后，将[0014]所述的替换为Focal损失并增加一个可学习损失权值项的RPN的分类损失函数如[0015]LRPN_cls＝loss_weight*[_α*(1_pt)γ*label*log(pt)_(1_α)*ptγ*(1_label)*log重加权后的前_背景分类得分；scores_cls表示RPN模块分类分支输出的前_背景得分；有效改善小样本旋转目标检测的分类性能；由于针对KFIoU框损失函数对近似方形或方形到KFIoU框损失函数中，能够实现对任意的旋转7[0026]下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施[0029]将航空图像数据集的所有类别随机划分为基础类别和新类别C,,且基础类和新数据集其中每类的标注训练样本数量至少是500；新类别中构成新类别子数据集其中每类的标注训练样本数量不超初始化网络参数。所述的网络指旋转目标检测器网络Redet，主要包括FPN(FeaturePyramidNetworks)、RPN和RCNN。其中，ResNet50为He等人在2016年的工作“Deepresiduallearningforimagerecognition[C]ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2016:770_778”中提出的网络结构；FPN为Lin等人在2017年的工作“Featurepyramidnetworksforobjectdetection[C]ProceedingsoftheIEEEconferenceoncomputervisionandpattern此，Redet旋转目标检测方法在ResNet50和FPN中加入旋转等变网络来提取旋转等变特征，出与基础类别相关的建议框集合，将样本特征和建议框集合一起输入到RCNN网络中获得分类得分和定位结果。数(Edge_VectorsCosineSimilarityLoss,EVCSLoss)。原RCNN的框回归损失为Yang等人在2022年的工作“TheKFIoULossforRotatedObjectDetection[J].arXiv8[0034]其中，LEVCS表示表示本发明设计的角度约束项，即边向量余弦相似性损失函数量集合中选出的与真值框的两个有向向量在方向和向量长度[0040]为使网络更好得现小样本旋转目标检测，本发明设计了RPN分类重加权模块和边9[0041]RPN模块中包括分类分支(classificationhead)和框定位分支(box标检测模型容易偏向于基础类别g,即会给基础类别G预测出更高的分类得分，这极其不作“Focallossfordenseobjectdetection[C]ProceedingsoftheIEEE[0046]LRPN_cls＝loss_weight*[_α*(1_pt)γ*label*log(pt)_(1_α)*ptγ*(1_label)*log[0049]其中，LRPN_cls表示增加可学习损失权值项后的RPN模块的Focal分类损失。loss_边向量余弦相似性损失(Edge_VectorsCosineSimilarityL[0053]为验证本发明方法的有效性，在DOT等人在2019年的工作“LearningRoItransformerfororientedaerialimages[C]ProceedingsoftheIEEE/CVFConferenceonCoProceedingsoftheIEEE/CVFConferenceonComputerVisionandPattern[0058]综上所述，本发明公开了一种小样本航空图像旋转目标检测方