(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 202211155900.4 (22)申请日 2022.09.22 (71)申请人 苏州吉天星舟空间技 术有限公司 地址 215000 江苏省苏州市吴中区自由贸 易试验区苏州片区苏州工业园区金鸡 湖大道99号纳米城西北区5 栋201室 (72)发明人 郭茜　张刘　孙彦瑞　 (74)专利代理 机构 安徽潍达知识产权代理事务 所(普通合伙) 3416 6 专利代理师 张丙松 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01)G06V 10/764(2022.01) (54)发明名称 一种基于FasterRCNN的遥感影像目标检测 方法 (57)摘要 本发明为一种基于FasterRCNN的遥感影像 目标检测方法， 涉及深度学习、 目标检测技术领 域， 解决了传统FasterRCNN模型直接应用于遥感 影像目标检测会导致小目标漏检、 重复检测、 误 检、 边框不准等情况的问题， 具体包括步骤S1,获 取遥感影像数据集， 按照预设比例将所述遥感影 像数据集划分为训练集、 验证集和测试集； 步骤 S2， 修改FasterRCNN模型的特征提取网络， 进行 多尺度特征融合； 步骤S3， 根据所述遥感影像数 据集特性调整初始先验框参数以及分类后NMS的 IOU值； 步骤S4， 将训练集和验证集输入模型训 练； 步骤S5， 将待检测的遥感影像输入到训练好 的改进FasterRCNN模型中， 得到检测结果， 本技 术方案利于检测小目标， 目标边框更准确； 调整 了分类后NMS的I OU阈值， 改善了小目标重复检测 的问题。 权利要求书2页 说明书6页 附图4页 CN 115471756 A 2022.12.13 CN 115471756 A 1.一种基于Faster  RCNN的遥感影 像目标检测方法， 其特 征在于， 包括如下步骤: 步骤S1,获取遥感影像数据集， 按照预设比例将所述遥感影像数据集划分为训练集、 验 证集和测试集； 步骤S2， 修改FasterRCN N模型的特 征提取网络， 进行多尺度特 征融合； 步骤S3， 根据所述遥感影 像数据集特性调整初始先验框参数以及分类后NMS的IOU值； 步骤S4， 将训练集和验证集输入 模型训练； 步骤S5， 将待检测的遥感影 像输入到训练好的改进FasterRCN N模型中， 得到检测结果。 2.如权利要求1所述的一种基于Faster  RCNN的遥感影像目标检测方法， 其特征在于， 所述遥感影 像数据集 为基于预设的格式； 所述训练集、 所述验证集和所述测试集的预设比例为： 8 :1:1。 3.如权利要求2所述的一种基于Faster  RCNN的遥感影像目标检测方法， 其特征在于， 在步骤S2中， 所述特征提取网络以VGG16网络为基础， 分别对第三卷积层和第五卷积层的结 果进行最大池化和上采样使之与第四卷积层的结果尺寸相同， 并通过一个预设的卷积层将 后三层特征通道数调整为相同， 并经过relu激活后将上述特征沿着通道维度拼接在一起， 形成最终的特 征图。 4.如权利要求3所述的一种基于Faster  RCNN的遥感影像目标检测方法， 其特征在于， 在步骤S3中， 还 包括步骤S3.1； 在所述步骤S3.1中， RPN网络的先验框有三种长宽比， 并在所述长宽比基础之上增加至 少两组长 宽比， 以此设定所述先验框尺寸， 使得 更适用于小目标的检测。 5.如权利要求4所述的一种基于Faster  RCNN的遥感影像目标检测方法， 其特征在于， 还包括步骤S3.2， 其中， ROI ‑Head网络能够获得每个边框的类别以及回归参数， 且其在获得 每个边框的类别和回归参数后， 会逐类别进行NMS， 即非极大抑制； 其中， 若两个同类别的先验框的IOU大于预定的阈值， 直接删除置信度相对较小的边 框； 若IOU阈值过 大， 相对较小的目标 出现多个边框时， 调整降低所述 IOU阈值； 其中， 若IOU阈值过大， 则相对较小的目标出现会出现多个边框， 由于遥感影像为俯视 成像， 目标重 叠概率较小， 如此调整降低所述 IOU阈值。 6.如权利要求5所述的一种基于Faster  RCNN的遥感影像目标检测方法， 其特征在于， 在步骤S4中， 还包括过程S4.1， 包括初始化学习率α、 批大小batch_size、 迭代次数epoch， 且 学习率在训练过程中动态下降趋势。 7.如权利要求6所述的一种基于Faster  RCNN的遥感影像目标检测方法， 其特征在于， 还包括步骤S4.2,将样本图像输入步骤S1中改进的特征提取网络,则能够得到含多尺度特 征的新的特 征图。 8.如权利要求7所述的一种基于Faster  RCNN的遥感影像目标检测方法， 其特征在于， 对所述新的特征图上每个像素点生成预设个数的先验框， 之后， 再分别通过两个1 ×1的卷 积； 包括两个通道数的不同的调整值， 均利用softmax分类器计算， 得到每个先验框内包含 物体的概率以及每个先验框的边框回归参数， 之后， 从所有 先验框中选择一定数量， 即选择 一个预设数量的先验框进行训练RPN。权　利　要　求　书 1/2 页 2 CN 115471756 A 29.如权利要求1所述的一种基于Faster  RCNN的遥感影像目标检测方法， 其特征在于， 对每一个真实框， 选择与该真实框IOU最高的先验框作为 正样本； 之后， 从余下的先验框中选择和任意一个真实框IOU超过预设阈值的先验框作为正样 本； 正样本数量不超过总样本的一半， 若正样本数量不够， 则用负样本填充； 随机选择和真 实框IOU小于另一较小阈值的先验框作为负 样本， 使正负 样本比例大致 为1:1； 其中， 所述RPN训练的损失函数为： 另外， 边框回归损失， 采用s mooth L1损失函数。 10.如权利 要求9所述的一种基于Faster  RCNN的遥感影像目标检测方法， 其特征在于， 在步骤S4中， 还包括过程S4.3， RPN训练在训练自身的同时， 会选择一定数 目前景概率较大 的先验框， 并调整大小和位置， 生成建议框； 然后， 再从中优选一部分与真实框IOU大于给定阈值的作为正样本， 小于给定阈值的作 为负样本， 最终使得正样本与负 样本比例约为1:3， 以此用于训练ROI ‑Head网络； 步骤S4.4,将过程S4.3中输出的建议框坐标和步骤S4.1中输出的特征图一起输入到 ROI‑Head网络中。权　利　要　求　书 2/2 页 3 CN 115471756 A 3