一种基于检测器解耦的半监督遥感目标检测方法及装置

本发明涉及遥感图像处理，尤其涉及一种基于检测器解耦的半监督遥感目标检测方法及装置。

背景技术：

1、随着越来越多的高分辨率卫星的使用，原始遥感图像的获取变得更加容易。然而，对遥感图像进行手动标记，不仅耗时耗力且成本高昂，尤其是对于遥感图像这种实例众多、密集并且尺寸变化大的特殊对象。因此，半监督目标检测（semi-supervised objectdetection，ssod）技术利用少量标记数据和大量未标记数据来优化模型，成为了一个可靠的方向。

2、现有的半监督目标检测的效果很大程度上依赖于伪标签的质量，低质量的伪标签产生的误差将会在自训练的过程中逐步放大，这是通用半监督目标检测框架所带来的系统误差。然而，在复杂的遥感数据中，由于遥感目标检测数据集中的类别数量少，类内差距小，类间差距大，单张图像上的目标数量多，少量数据就足以微调较好的教师模型和学生模型中的主干网络，而教师模型和学生模型中的检测器可能没有得到充分训练，在无监督训练过程中由检测器造成的错误被反向传播到主干网络，导致主干网络的性能下降，从而导致模型的性能较差。

技术实现思路

1、本发明提供一种基于检测器解耦的半监督遥感目标检测方法及装置，用以解决模型的性能较差的问题。

2、本发明提供一种基于检测器解耦的半监督遥感目标检测方法，包括：

3、获取待检测的遥感图像；

4、将所述待检测的遥感图像输入至目标检测模型，得到所述目标检测模型输出的检测结果；所述目标检测模型是基于无标签样本遥感图像、有标签样本遥感图像以及所述有标签样本遥感图像中至少一个样本目标的真实检测框的宽高比对应的权重进行训练得到的，所述目标检测模型用于对所述待检测的遥感图像中的至少一个目标进行检测；所述检测结果包括各所述目标的检测框坐标和分类类型。

5、根据本发明提供的一种基于检测器解耦的半监督遥感目标检测方法，所述目标检测模型包括特征提取器、区域生成模块、区域池化模块、回归检测器和学生分类检测器；

6、将所述待检测的遥感图像输入至目标检测模型，得到所述目标检测模型输出的检测结果，包括：

7、将所述待检测的遥感图像输入至所述特征提取器，得到所述特征提取器输出的特征图像；

8、将所述特征图像输入至所述区域生成模块，得到所述区域生成模块输出的所述特征图像中各所述目标对应的区域图像；

9、将各所述区域图像输入至所述区域池化模块，得到所述区域池化模块输出的各所述目标对应的区域特征；各所述目标对应的区域特征的维度相同；

10、将各所述目标对应的区域特征输入至所述回归检测器，得到所述回归检测器输出的各所述目标的检测框坐标；

11、将各所述目标对应的区域特征输入至所述学生分类检测器，得到所述学生分类检测器输出的各所述目标的分类类型。

12、根据本发明提供的一种基于检测器解耦的半监督遥感目标检测方法，所述目标检测模型是基于以下步骤训练得到的：

13、获取训练数据集；所述训练数据集包括多个无标签样本遥感图像和多个有标签样本遥感图像；

14、采用各所述无标签样本遥感图像和各所述有标签样本遥感图像，对初始检测模型进行训练，得到所述目标检测模型。

15、根据本发明提供的一种基于检测器解耦的半监督遥感目标检测方法，所述采用各所述无标签样本遥感图像和各所述有标签样本遥感图像，对初始检测模型进行训练，得到所述目标检测模型，包括：

16、分别将各所述无标签样本遥感图像和各所述有标签样本遥感图像输入至初始特征提取器，得到所述初始特征提取器输出的各所述无标签样本遥感图像对应的第一样本特征图像和各所述有标签样本遥感图像对应的第二样本特征图像；

17、分别将各所述第一样本特征图像和各所述第二样本特征图像输入至初始区域生成模块，得到所述初始区域生成模块输出的各所述第一样本特征图像中各所述样本目标对应的第一样本区域图像和各所述第二样本特征图像中各所述样本目标对应的第二样本区域图像；

18、分别将各所述第一样本区域图像和各所述第二样本区域图像输入至初始区域池化模块，得到所述初始区域池化模块输出的各所述第一样本区域图像对应的第一样本区域特征和各所述第二样本区域图像对应的第二样本区域特征；各所述第一样本区域特征的维度相同，各所述第二样本区域特征的维度相同；

19、基于各所述第一样本区域特征和各所述第二样本区域特征，确定所述目标检测模型。

20、根据本发明提供的一种基于检测器解耦的半监督遥感目标检测方法，所述基于各所述第一样本区域特征和各所述第二样本区域特征，确定所述目标检测模型，包括：

21、采用至少一种特征增强方式，对各所述第一样本区域特征进行特征增强，得到多个增强后的第一样本区域特征；

22、将各所述增强后的第一样本区域特征和各所述第二样本区域特征输入至初始回归检测器，得到所述初始回归检测器输出的各所述增强后的第一样本区域特征对应的各所述样本目标的第一样本检测框坐标和各所述第二样本区域特征对应的各所述样本目标的第二样本检测框坐标；

23、将各所述增强后的第一样本区域特征和各所述第二样本区域特征输入至初始学生分类检测器，得到所述初始学生分类检测器输出的各所述增强后的第一样本区域特征对应的各所述样本目标的第一分类分数和各所述第二样本区域特征对应的各所述样本目标的第二分类分数；

24、将各所述第二样本区域特征输入至初始教师分类检测器，得到所述初始教师分类检测器输出的各所述样本目标的伪标签；所述初始教师分类检测器的结构和所述初始学生分类检测器的结构相同，所述初始教师分类检测器的参数是基于所述初始学生分类检测器的参数的指数移动平均值更新得到的；

25、基于各所述样本目标的第一样本检测框坐标、各所述样本目标的真实检测框的宽高比对应的权重、各所述样本目标的第二样本检测框坐标、各所述样本目标的真实检测框坐标、各所述样本目标的第一分类分数、各所述样本目标的第二分类分数和各所述样本目标的伪标签，确定总损失函数值；

26、基于所述总损失函数值，确定所述目标检测模型。

27、根据本发明提供的一种基于检测器解耦的半监督遥感目标检测方法，所述基于各所述样本目标的第一样本检测框坐标、各所述样本目标的真实检测框的宽高比对应的权重、各所述样本目标的第二样本检测框坐标、各所述样本目标的真实检测框坐标、各所述样本目标的第一分类分数、各所述样本目标的第二分类分数和各所述样本目标的伪标签，确定总损失函数值，包括：

28、基于各所述样本目标的第一样本检测框坐标和各所述样本目标的真实检测框的宽高比对应的权重，确定无监督回归损失值；

29、基于各所述样本目标的第二样本检测框坐标和各所述样本目标的真实检测框坐标，确定有监督回归损失值；

30、基于各所述样本目标的第一分类分数和各所述样本目标的伪标签，确定无监督分类损失值；

31、基于各所述第二样本区域特征对应的各所述样本目标的第二分类分数和各所述样本目标的真实检测框坐标，确定有监督分类损失值；

32、将所述无监督回归损失值和所述无监督分类损失值相加，得到无监督损失值；所述无监督损失值用于更新所述回归检测器和所述学生分类检测器的参数；

33、将所述有监督回归损失值和所述有监督分类损失值相加，得到有监督损失值；所述有监督损失值用于更新所述特征提取器、所述区域生成模块、所述区域池化模块、所述回归检测器和所述学生分类检测器的参数；

34、将所述无监督损失值和所述有监督损失值相加，得到所述总损失函数值。

35、根据本发明提供的一种基于检测器解耦的半监督遥感目标检测方法，所述基于所述总损失函数值，确定所述目标检测模型，包括：

36、基于所述总损失函数值，更新所述初始特征提取器、所述初始区域生成模块、所述初始区域池化模块、所述初始回归检测器、所述初始学生分类检测器和所述初始教师分类检测器的参数，并重复执行所述确定总损失函数值的步骤，直至达到目标迭代次数或者所述总损失函数值趋于稳定；

37、将最终更新后的参数赋值给所述目标检测模型，得到所述目标检测模型。

38、本发明还提供一种基于检测器解耦的半监督遥感目标检测装置，包括：

39、第一获取模块，用于获取待检测的遥感图像；

40、检测模块，用于将所述待检测的遥感图像输入至目标检测模型，得到所述目标检测模型输出的检测结果；所述目标检测模型是基于无标签样本遥感图像、有标签样本遥感图像以及所述有标签样本遥感图像中至少一个样本目标的真实检测框的宽高比对应的权重进行训练得到的，所述目标检测模型用于对所述待检测的遥感图像中的至少一个目标进行检测；所述检测结果包括各所述目标的检测框坐标和分类类型。

41、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于检测器解耦的半监督遥感目标检测方法。

42、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于检测器解耦的半监督遥感目标检测方法。

43、本发明提供的一种基于检测器解耦的半监督遥感目标检测方法及装置，通过获取待检测的遥感图像；将所述待检测的遥感图像输入至目标检测模型，得到所述目标检测模型输出的检测结果；所述目标检测模型是基于无标签样本遥感图像、有标签样本遥感图像以及所述有标签样本遥感图像中至少一个样本目标的真实检测框的宽高比对应的权重进行训练得到的，所述目标检测模型用于对所述待检测的遥感图像中的至少一个目标进行检测；所述检测结果包括各所述目标的检测框坐标和分类类型。由于在训练目标检测模型时，结合无标签样本遥感图像、有标签样本遥感图像以及有标签样本遥感图像中至少一个样本目标的真实检测框的宽高比对应的权重，避免遥感图像旋转以及宽高比变化导致伪标签质量降低，进而导致模型性能差的问题，使得训练好的目标检测模型的性能较好，从而提升目标检测模型的检测准确性。