(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210484475.7 (22)申请日 2022.05.06 (71)申请人 自然资源部第一海 洋研究所 地址 266000 山东省青岛市崂山区仙霞岭 路6号 (72)发明人 董志鹏　刘焱雄　冯义楷　王艳丽　 陈义兰　 (74)专利代理 机构 青岛发思特专利商标代理有 限公司 37212 专利代理师 宫兆俭 (51)Int.Cl. G06V 20/13(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/74(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) (54)发明名称 基于最优锚点尺度的卷积神经网络遥感影 像目标检测方法 (57)摘要 本发明涉及一种基于最优目标锚点尺度的 卷积神经网络遥感影像目标检测方法， 属于遥感 影像目标识别及信息提取技术领域。 本发明首先 提出了一种遥感影像最优目标锚点尺度学习方 法， 可自适应获得不同目标检测任务的最优目标 锚点尺度； 然后基于最优目标锚点尺度学习方 法， 设计了一种基于最优目标锚点尺度的卷积神 经网络遥感影像目标检测架构， 可根据不同目标 检测任务自适应调整锚点尺度， 良好的耦合不同 类型的目标尺度， 实现对不同目标检测任务的精 确检测。 本发明具有简单、 可靠、 精度高、 易于实 现的特点。 本发 明可广泛运用于遥感影像目标识 别及信息提取场合。 权利要求书3页 说明书6页 附图2页 CN 114882376 A 2022.08.09 CN 114882376 A 1.一种基于最优锚点尺度的卷积神经网络遥感影像目标检测方法， 其特征在于， 包括 以下步骤： S1： 自适应目标锚点尺度学习： 基于目标锚点对训练数据集最优覆盖率准则， 使用k均 值聚类算法对不同类型的目标尺度聚类， 获得不同目标检测任务的最优目标锚点尺度； 基于k均值聚类算法对训练数据集中目标尺度进行聚类， 获得目标锚点的尺度大小， 其 中聚类过程基于目标与锚点间的交并比进 行相似度度量， 对目标锚点训练数据集覆盖率与 测试集检测结果精度进 行统计分析， 当目标锚点可覆盖训练数据集8 0％的目标时对应的测 试集目标检测结果精度最高， 基于该统计准则， 获得计算 最优目标锚点尺度的目标函数： Avg‑IOU≥0.8                               (2) 其中： n是训练数据集中目标数目； I OUimax是标签为i的目标与k个锚 点间的最大交并比； Avg‑IOU为训练集中所有目标与锚点交并比的平均值； S2： 自适应目标锚点尺度的卷积神经网络目标检测： 基于最优目标锚点尺度的卷积神 经网络遥感影像目标检测架构， 实现对不同目标检测任务的精确检测； 架构的训练损失计 算如下： Loss＝Lcoord+Lclass+Lobj                         (3) 其中： Loss为目标检测架构的训练损失； Lcoord、 Lclass和Lobj分别为目标坐标、 类别和置信 度损失； m为特征图的宽或 高； n为在特征图的每个位置上锚点的数目； 表示在特征图(i, j)位置上的标签为k 的锚点是否为正样本， 如果是正样本 为1， 否则为0； wij和hij为在特 征图(i,j)位置上的标签 为k的锚点对应的真值目标区域的宽与高； (xij,yij,wij,hij)为真值 目标区域的中心点坐标和宽与高； 为基于标签为k的锚点生成的目标区域中 心点坐标和宽与高的网络架构的预测值； wa和ha为标签为k的锚点的宽与高； r为网络架构的权　利　要　求　书 1/3 页 2 CN 114882376 A 2分类数； 为网络测架构对生成的目标区域不同类别的预测值； 为基于标签为k的锚点 生成的目标区域 为目标的置信度预测值； 在目标检测架构测试阶段， 使用公式(7)对网络架构中关于目标 区域中心点坐标、 置信 度和类别预测值进 行处理； 使用公 式(8)‑(11)获得基于锚点的目标生 成区域的中心 点坐标 和宽与高： 其中： (Ox,Oy,Ow,Oh)为网络目标生成区域的中心点 坐标和宽与高。 2.根据权利要求1所述的基于最优锚点尺度的卷积神经网络遥感影像目标检测方法， 其特征在于， 所述步骤S1中， 目前基于卷积神经网络的目标检测架构多采用多尺度目标检 测方法对影像中目标进行检测， 则本发明中也采用多尺度方式将聚类获得锚点均匀分布到 网络架构的低、 中和高三种不同层次水平的特 征图上进行网络架构的训练与测试。 3.根据权利要求1所述的基于最优锚点尺度的卷积神经网络遥感影像目标检测方法， 其特征在于， 所述 步骤S1中， 遥感影 像自适应目标锚点尺度学习方法具体实施如下 所示： S11： 目标锚点的初始数目设定为3； S12： 基于训练集中目标与锚点数目， 使用k均值 算法对目标尺度聚类获得目标锚点； S13： 使用公式(1)计算训练集中目标与锚点的Avg ‑IOU值； S14： 如果Avg ‑IOU值满足公式(2)， 则获得目标的最优锚点， 否则将锚点数目增加3， 重 复步骤S12； S15： 根据锚点面积对锚点从小到大排列， 将排序后锚点均匀分配到目标检测架构的 低、 中和高不同层次水平的特 征图上进行目标检测架构的训练与测试。 4.根据权利要求1所述的基于最优锚点尺度的卷积神经网络遥感影像目标检测方法， 其特征在于， 所述步骤S2中， 将目标检测架构应用于不同目标检测任务时， 首先使用自适应 目标尺度学习算法获得该类任务的最优目标锚点尺度， 然后基于最优目标锚点尺度对架构 进行多尺度目标检测训练与测试。 5.根据权利要求4所述的基于最优锚点尺度的卷积神经网络遥感影像目标检测方法， 其特征在于， 所述步骤S2中， 在目标检测架构中使用dar knet‑53获得影像的特征图， 进 行目 标训练与测试的低、 中和高水平的特征图尺度分别为52像素 ×52像素、 26像素 ×26像素和 13像素×13像素； 该架构进行多尺度训练时， 如果一个锚点与真值目标区域的交并比是所 有锚点与该真值目标区域的交并比中最大 的， 则该锚点区域标记为正样本； 剩余没有被标 记为正样本的锚点均标记为负 样本。 6.根据权利要求5所述的基于最优锚点尺度的卷积神经网络遥感影像目标检测方法， 其特征在于， 所述步骤S2中， 如果生 成的目标区域的置信度大于 设定的阈值则保留， 否则去 掉； 为了减少目标检测结果的冗余， 使用非极大值抑制算法对保留的目标区域进 行抑制， 其权　利　要　求　书 2/3 页 3 CN 114882376 A 3