CN115830480B 一种小样本航空图像旋转目标检测方法 （西北工业大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115830480B(45)授权公告日2025.07.11

(21)申请号202211578217.1

(22)申请日2022.12.09

(65)同一申请的已公布的文献号申请公布号CN115830480A

(43)申请公布日2023.03.21

(73)专利权人西北工业大学

地址710072陕西省西安市友谊西路

(72)发明人姚西文李玲君程垛韩军伟

郭雷

(74)专利代理机构西安凯多思知识产权代理事务所(普通合伙)61290

专利代理师范倩

(51)Int.CI.

GO6V20/17(2022.01)

GO6V10/774(2022.01)

GO6V10/764(2022.01)

GO6V10/82(2022.01)

GO6N3/0464(2023.01)

(56)对比文件

CN114841257A,2022.08.02

CN114913379A,2022.08.16审查员王黎明

权利要求书2页说明书7页附图2页

(54)发明名称

一种小样本航空图像旋转目标检测方法

(57)摘要

CN115830480B本发明提供了一种小样本航空图像旋转目标检测方法。首先，利用基础类别航空样本数据对旋转目标检测器网络Redet进行基础训练，并在RCNN的框回归损失中增加一个角度约束项；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进行再训练，训练时在Redet网络的RPN模块中增加分类重加权模块，将RPN的分类损失替换为Focal损失并增加一个可学习损失权值项，同样在RCNN的框回归损失中也增加一个角度约束项，且只对网络部分参数进行调整，其余参数保持不变；最后，将航空图像输入训练好的网

CN115830480B

构建训练数据集

基础训练

网络参数调整

目标检测

CN115830480B权利要求书1/2页

2

1.一种小样本航空图像旋转目标检测方法，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,构成基础类别子数据集，新类别中的每类标注样本数量不超过20,构成新类别子数据集；

步骤S2、基础训练：使用ResNet50网络官方提供的预训练模型在基础类别子数据集上进行训练，得到初始化网络参数，所述的网络指旋转目标检测器网络Redet,训练时在RCNN的框回归损失中增加一个角度约束项，即：

LRCNN_reg=LKFIou+0.04*Levcs(1)

(2)

其中，LRCN_reg表示增加角度约束项后的框回归损失函数；LKFIou表示原KFIoU损失函数；LEvcs表示角度约束项；(e2?e,e21,e?s,es,e,es,e2)表示预测框的4个顶点构成的8个有向向量集合，e表示以预测框的左上方顶点1为起点、右上方顶点2为终点的有向向量，e表示以预测框的左上方顶点1为起点、左下方顶点4为终点的有向向量，e表示以预测框的右上方顶点2为起点、左上方顶点1为终点的有向向量，e?表示以预测框的右上方顶点2为起点、右下方顶点3为终点的有向向量，e表示以预测框的右下方顶点3为起点、右上方顶点2为终点的有向向量，表示以预测框的右下方顶点3为起点、左下方顶点4为终点的有向向量，e,表示以预测框的左下方顶点4为起点、右下方顶点3为终点的有向向量，表示以预测框的左下方顶点4为起点、左上方顶点1为终点的有向向量；(ez,ej4)表示两个有向向量，起点都是真值框的左上方顶点1,有向向量e?的终点是真值框的右上方顶点2,有向向量e4的终点是真值框的左下方顶点4;向量(e,ej)表示从预测框向量集合(eB,e,e,e,e,e,eB,e)中选出的与真值框的两个有向向量(eiz,el4)在方向和向量长度上最接近的有向向量；exp表示以自然常数e为底的指数函数；Cosinesimilarity表示计算余弦相似性；

步骤S3、网络参数调整：在基础类别子数据集和新类别子数据集上再次进行网络训练，得到训练好网络，其中，训练时在Redet网络的RPN模块中