(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 202211141786.X (22)申请日 2022.09.20 (71)申请人 苏州喆鑫信息科技有限公司 地址 215000 江苏省苏州市吴江区江陵街 道云创路227号生物医药启动区4号楼 418 (72)发明人 周楠　 (74)专利代理 机构 无锡风创知识产权代理事务 所(特殊普通 合伙) 32461 专利代理师 钱钦梁 (51)Int.Cl. G06V 20/10(2022.01) G06N 3/08(2006.01) G06V 10/22(2022.01) G06V 10/24(2022.01)G06V 10/25(2022.01) G06V 10/40(2022.01) G06V 10/764(2022.01) G06V 10/766(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于小样本学习的遥感目标检测方法 (57)摘要 本发明涉及遥感影像处理领域， 特别涉及一 种基于小样 本学习的遥感目标检测方法， 将待检 遥感影像输入 特征提取网络， 通过多次卷积网络 获取高层次的语义特征， 将多个层次的特征输入 多尺度特征提取模块获取不同尺度上的语义特 征； 将特征图层输入特征对齐模块， 对初步获取 的检测框的位置信息和和类别信息； 对齐卷积在 传统卷积模块的基础上添加了一个偏移字段， 这 样可以变换轴对齐的卷积将给定位置的特征转 换为任意方向。 本发明的目的是提供一种基于小 样本学习的遥感目标检测方法， 具有大幅降低参 数量和计算成本的优点。 权利要求书2页 说明书6页 附图2页 CN 115497001 A 2022.12.20 CN 115497001 A 1.一种基于小样本学习的遥感目标检测方法， 其特 征在于， 包括： S1:将待检 影像输入特 征提取网； S2:将S1中提取的特征输入特征金字塔网络来提取对象的多尺度特征、 分类和回归子 网的全卷积网络层； S3:构建旋转候选框模块， 所述旋转候选框模块包括分类分支和候选框回归分支， 所述 分类分支负责判定所述旋转候选框内的目标类别， 所述候选框回归分支预测候选框的坐标 参数； S4:将多个坐标参数构成的预测框解码为 绝对位置； S5:将S3和 S4预测候选框类别和候选框位置参数送入检测模块， 并使用RoI对齐模块进 行特征提取， 提取的特 征送到所述分类分支和所述 候选框回归分支进行目标分类和定位； S6:将识别的检测框的位置的像素坐标转换为真实的地理坐标； S7:如果模型遇到了新的类别， 则需要准备新类别的样本数据， 然后调整训练模块中的 微调RPN为解冻状态， 基础RPN设置为冻结状态不在新的训练中调整； S8:调整检测网络中的新型ROI检测器为解冻状态， 基础ROI检测器为冻结状态， 将数据 输入训练网络进行重新训练后获取最优 模型； S9:用新训练的模型和遥感影像作为输入执行S1 ‑S8的操作， 获取目标影像上的检测框 和类别等信息 。 2.根据权利要求1所述的一种基于小样本学习的遥感目标检测方法， 其特征在于： 所述 旋转候选框模块由(x,y,w,h)的四个顶点的坐标表示如下 所示： v1＝(x,y ‑h/2)+(Δα,0) v2＝(x+w/2,y)+(0,Δβ ) v3＝(x,y+h /2)+(‑Δα,0) v4＝(x‑w/2,y)+(0,Δβ ) 针对有向候选 框的参数 结构设计损失函数如下 所示： 3.根据权利要求1所述的一种基于小样本学习的遥感目标检测方法， 其特征在于： 所述 候选框回归分支采用仿射变换的方法， 其公式如下： δα＝Δα /w δw＝log(w/wa) δh＝log(h/ha) δx＝(x‑xa)/wa δy＝(y‑ya)/ha 权　利　要　求　书 1/2 页 2 CN 115497001 A 24.根据权利要求1所述的一种基于小样本学习的遥感目标检测方法， 其特征在于： 所述 微调RPN采用平衡候选框来集成预训练的候选框和一个微调候选框， 它集成了对 象预测头 来提升在Cb和Cn数据集上候选框的质量， 在给定尺寸为H ×W的特征图层上， 基础候选框预测 类型的图为 微调候选框的预测图为 最后平衡候选框的类型图输出为 5.根据权利要求4所述的一种基于小样本学习的遥感目标检测方法， 其特征在于： 所述 微调RPN微调阶段的损失函数为 6.根据权利要求1所述的一种基于小样本学习的遥感目标检测方法， 其特征在于： 所述 检测网络使用Re ‑detector进行检测， 所述Re ‑detector包含两个并行的基础分类分支fb和 微调分类分支detb分别来预测Cb和Cb∪Cn两个数据集 上的目标类型， 所述基础分类分支fb保 持相同的权重Cb数据集上预测对象， 所述微调分类分支detb通过微调权重以检测在Cn和Cb 数据集上识别对象。 7.根据权利要求6所述的一种基于小样本学习的遥感目标检测方法， 其特征在于： 采用 了一个辅助一致性损失函数来正则化所述微调分类分支detb， 用KL散度对所述微调分类分 支detb的与所述基础分类分支fb的相似性进行评估， 对于Cb的提议， detn被强制预测高置信 度， 而对于不属于Cb的提议， detn以同样低的概率模仿 detb给定最终概率， 一致性损失函数 为： 其中 权　利　要　求　书 2/2 页 3 CN 115497001 A 3