基于无偏建议框过滤的小样本航空图像小目标检测方法

技术特征：
1.一种基于无偏建议框过滤的小样本航空图像小目标检测方法，其特征在于步骤如下：步骤s1、构建训练数据集：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且基础类和新类的类别空间不相交；其中，基础类别中的每类标注样本数量大于等于500，构成子数据集新类别中的每类标注样本数不超过20，构成子数据集步骤s2、基础训练：使用faster r-cnn网络官方提供的预训练模型在子数据集上进行训练，得到初始化网络参数，训练时保持faster r-cnn网络结构不变，在其rpn阶段增加置信度-iou协同的建议框过滤处理，在r-cnn阶段采用增加小目标约束项的框回归损失函数；所述的置信度-iou协同的建议框过滤处理过程包括以下步骤：步骤a、对rpn输出的建议框集合p按照其前-背景得分由大到小降序排列，选择排序靠前的个建议框，构成集合其中，步骤b、计算建议框集合p中除集合外的剩余建议框与真值框的交并比得分iou，并按照iou得分进行降序排列，选择排序靠前的个建议框，构成集合其中，步骤c、利用nms算法对建议框集合进行筛选，筛选出的建议框构成集合设置筛选框个数为步骤d、计算建议框集合中的建议框与真值框的交并比得分iou，并按照iou得分进行降序排列，选择排序靠前的个建议框，构成集合步骤e、合并建议框集合和以合并后的集合作为rpn阶段最终产生的建议框集合；所述的在r-cnn阶段采用增加小目标约束项的框回归损失函数是指修改原r-cnn阶段框回归损失函数，在其中增加小目标约束项l
tiny
，具体为：，具体为：，具体为：其中，表示增加小目标约束项后的框回归损失函数，l
giou
表示原始的框回归损失函数，φ(s
g
)是对真值框面积进行归一化处理的函数；s
g
表示真值框的面积大小；α是超参数，设置α＝3；d表示预测框和真值框的中心点距离；u
top
表示预测框和真值框的最上方的边之间的距离，u
bottom
表示预测框和真值框的最下方的边之间的距离，u
left
表示预测框和真值框的最左方的边之间的距离，u
right
表示预测框和真值框的最右方的边之间的距离，μ表示超参数，设置μ＝2；h
g
表示真值框的高；w
g
表示真值框的宽；min(s
g
)表示从所有真值框中选出面积最小的；max(s
g
)表示从所有真值框中选出面积最大的；
步骤s3、网络参数调整：采用步骤s2的方式在子数据集和子数据集上再次进行网络训练，得到训练好网络，训练时只对网络中的分类分支和框回归分支进行参数调整，其余网络层的参数固定；步骤s4、目标检测：将待处理的航空图像数据集输入到训练好的网络，输出得到其目标检测结果。

技术总结
本发明提供了一种基于无偏建议框过滤的小样本航空图像小目标检测方法。首先，利用基础类别航空样本数据对FasterR-CNN网络进行基础训练，训练时在RPN阶段增加基于置信度-IoU协同的建议框过滤处理，并在R-CNN阶段采用增加小目标约束项的框回归损失函数；然后，再利用基础类别航空样本数据和新类别航空样本数据对网络进行再训练，训练时只对网络中的分类分支和框回归分支进行参数调整，其余网络层的参数固定；最后，将航空图像输入训练好的网络，即得到其目标检测结果。本发明能够有效解决小样本目标检测模型对基础类别的有偏性，提高航空图像小目标检测性能。空图像小目标检测性能。空图像小目标检测性能。


技术研发人员：姚西文 李玲君 程塨 韩军伟 郭雷
受保护的技术使用者：西北工业大学
技术研发日：2022.12.09
技术公布日：2023/3/10