基于分数阶的光学-SAR目标检测模型训练方法及系统

摘要: 本发明涉及遥感图像智能处理与多传感源目标检测,特别是涉及一种基于分数阶的光学-sar目标检测模型训练方法及系统。背景技术:1、光学遥感图像能够提供丰富的纹理、颜...
基于分数阶的光学-SAR目标检测模型训练方法及系统

本发明涉及遥感图像智能处理与多传感源目标检测,特别是涉及一种基于分数阶的光学-sar目标检测模型训练方法及系统。

背景技术:

1、光学遥感图像能够提供丰富的纹理、颜色和语义外观信息,适合进行目标类别识别和精细人工标注;合成孔径雷达(synthetic aperture radar,sar)图像具有全天时和全天候成像能力,能够在云雾和光照变化等条件下提供较稳定的结构和散射响应。将光学图像与sar图像联合用于遥感目标检测,能够充分利用两种传感源的互补性,提升复杂场景下目标检测和定位能力。

2、旋转框能够更紧密地贴合目标轮廓,降低背景干扰,因而成为光学-sar联合目标检测中的重要标注与预测形式。现有光学-sar融合目标检测模型训练方法普遍采用旋转框几何回归损失,该损失基于旋转框的交并比(intersection over union,iou),通过几何重叠、中心距离、长宽比、角度或概率分布相似性来评价预测框与真实框,以驱动模型优化。

3、然而,采用旋转框几何回归损失对模型进行训练的过程中,旋转框的角度参数在接近收敛时,易因局部几何关系引起梯度突变,导致高质量旋转框在训练后期出现定位抖动,导致检测精度提升受限。

技术实现思路

1、基于上述现有技术存在的缺陷,本发明提供了一种基于分数阶的光学-sar目标检测模型训练方法及系统,解决了现有的问题。

2、本发明采用以下技术方案:

3、第一方面,本发明提供基于分数阶的光学-sar目标检测模型训练方法,包括以下步骤:

4、获取多个光学-sar图像对以及对应的真实旋转框;

5、在预设步长的每个训练步中,将光学-sar图像对输入至光学-sar融合旋转目标检测模型,得到预测结果;基于预测结果获取前景样本,所述前景样本包括相互匹配的预测旋转框和真实旋转框以及前景目标质量分数;

6、对于每个前景样本,基于前景目标质量分数生成语义指标,基于相互匹配的预测旋转框和真实旋转框生成几何指标;将预设步长内各训练步内所有前景样本的语义指标和几何指标耦合后取平均,得到平均语义几何相似度;根据预设的分数阶阶数为各训练步生成分数阶系数,将各训练步的平均语义几何相似度和对应分数阶系数加权求和,得到表征训练状态演化趋势的分数阶趋势项;将分数阶趋势项进行映射为损失调制权重,并根据损失调制权重构造分数阶语义几何损失;

7、基于分数阶语义几何损失对光学-sar融合旋转目标检测模型进行训练。

8、优选的,所述分数阶语义几何损失具体如下所示:

9、;

10、式中,为分数阶语义几何损失,为第个训练步的损失调制权重,为第个训练步中第个前景样本的语义指标,为最小几何权重,为第个训练步中第个前景样本的几何指标,为前景样本训练权重,为极小正数。

11、优选的,所述根据预设的分数阶阶数为各训练步生成分数阶系数,将各训练步的平均语义几何相似度和对应分数阶系数加权求和,得到表征训练状态演化趋势的分数阶趋势项,具体包括以下步骤:

12、根据预设的分数阶阶数,按递推方式生成预设步长内各训练步对应的分数阶系数;

13、将各训练步的所述平均语义几何相似度与对应的所述分数阶系数相乘后累加,得到分数阶趋势项。

14、优选的,所述预测结果包括多个预测旋转框和对应的预测类别分数,基于预测结果获取前景样本,具体包括以下步骤:

15、标签分配器根据预测类别分数、旋转框几何重叠度以及预测旋转框与真实旋转框的空间关系,对多个预测旋转框进行评分,根据评分结果获取相互匹配的预测旋转框和真实旋转框;

16、标签分配器从多个预测类别分数中取与该前景样本所匹配的预测类别分数,并将该预测类别分数与预测旋转框和真实旋转框之间的几何匹配质量按预设幂指数融合,得到原始匹配质量分数;

17、对原始匹配质量分数进行归一化,得到前景目标质量分数。

18、优选的,对前景目标质量分数进行指数映射和剪裁,生成语义指标;所述语义指标为语义可靠性。

19、优选的,通过所述几何指标为几何相似度。

20、优选的,所述光学-sar融合旋转目标检测模型包括光学分支、sar分支、跨模态交互模块、融合模块和旋转框检测头;光学分支提取光学图像中的光学纹理语义特征,sar分支提取sar图像中的sar结构散射特征,跨模态交互模块对光学纹理语义特征和sar结构散射特征进行多尺度交互,融合模块对多尺度交互后的多尺度特征进行区域注意力融合,旋转框检测头对区域注意力融合进行映射,输出预测类别分数和预测旋转框。

21、优选的,对训练后的光学-sar融合旋转目标检测模型进行二次训练,具体包括以下步骤:

22、基于分数阶语义几何损失对光学-sar融合旋转目标检测模型进行训练完成后,获取训练后的模型权重作为二次训练的初始化;

23、在二次训练中,关闭分数阶语义几何损失,采用几何损失对训练后的光学-sar融合旋转目标检测模型进行二次训练。

24、优选的,二次训练的学习率低于基于分数阶语义几何损失对光学-sar融合旋转目标检测模型进行训练的学习率。

25、第二方面,本发明提供基于分数阶的光学-sar目标检测模型训练系统,包括:

26、获取模块,用于获取多个光学-sar图像对以及对应的真实旋转框;

27、输入模块,用于在预设步长的每个训练步中,将光学-sar图像对输入至光学-sar融合旋转目标检测模型,得到预测结果;基于预测结果获取前景样本,所述前景样本包括相互匹配的预测旋转框和真实旋转框以及前景目标质量分数;

28、构建模块,用于对于每个前景样本,基于前景目标质量分数生成语义指标,基于相互匹配的预测旋转框和真实旋转框生成几何指标;将预设步长内各训练步内所有前景样本的语义指标和几何指标耦合后取平均,得到平均语义几何相似度;根据预设的分数阶阶数为各训练步生成分数阶系数,将各训练步的平均语义几何相似度和对应分数阶系数加权求和,得到表征训练状态演化趋势的分数阶趋势项;将分数阶趋势项进行映射为损失调制权重,并根据损失调制权重构造分数阶语义几何损失;

29、训练模块,用于基于分数阶语义几何损失对光学-sar融合旋转目标检测模型进行训练。

30、与现有技术相比,本发明采用的上述至少一个技术方案能够达到以下有益效果:

31、本发明利用分数阶系数对预设步长的多个训练步的平均语义几何相似度进行加权求和,得到表征训练状态演化趋势的分数阶趋势项,进而将其映射为损失调制权重以动态调整损失大小;该损失的总梯度由当前基础损失梯度与历史语义几何趋势梯度共同构成,相当于在旋转框回归中引入历史状态加权的梯度正则项,当旋转框角度参数接近收敛时,分数阶趋势项使损失调制权重能够综合近期训练状态的演化趋势进行动态调节,从而有效抑制因角度参数局部几何关系突变所引发的梯度震荡与定位抖动,解决了现有旋转框几何回归损失在训练后期因梯度突变导致检测精度提升受限的技术问题。