(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 202210584494.7 (22)申请日 2022.05.27 (71)申请人 中国人民解 放军战略支援 部队信息 工程大学 地址 450000 河南省郑州市高新区科 学大 道62号 (72)发明人 李润生　胡庆　潘超凡　牛朝阳　 刘伟　许岩　 (74)专利代理 机构 郑州大通专利商标代理有限 公司 41111 专利代理师 周艳巧 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/25(2022.01) G06V 10/40(2022.01) G06V 10/80(2022.01) (54)发明名称 基于多网络级联的飞机目标细粒度检测方 法及系统 (57)摘要 本发明属于卫星遥感目标识别技术领域， 特 别涉及一种基于多网络级联的飞机目标细粒度 检测方法及系统， 通过构建用于目标检测的级 联 网络模型， 所述级联网络模型包含： 用于定位输 入数据中目标并获取目标切片的旋转检测网络， 及用于对目标切片进行细粒度分类识别的二级 分类网络； 收集带有 标注标签的卫星遥感影像飞 机检测样 本数据集， 并将收集的样 本数据集按照 预设比例划分为训练样本集、 验证样本集及测试 样本集， 并分别对级联网络模型进行训练、 调优 和评估， 确认 最终用于目标检测识别的级联网络 模型； 利用级联网络模型对待检测输入数据进行 目标检测识别。 本发明将飞机检测和类型识别功 能从单一网络中分离， 便于充分利用公开数据集 进行网络模 型训练， 分别提高检测和类型识别准 确性。 权利要求书2页 说明书12页 附图8页 CN 114973014 A 2022.08.30 CN 114973014 A 1.一种基于多网络级联的飞机目标细粒度检测方法， 其特 征在于， 包 含如下内容： 构建用于目标检测的级联网络模型， 所述级联网络模型包含： 用于定位输入数据中目 标并获取目标切片的旋转检测网络， 及用于对目标切片进 行细粒度分类识别的二级分类网 络； 收集带有标注标签的卫星遥感影像飞机检测样本数据集， 并将收集的样本数据集按照 预设比例划分为训练样本集、 验证样本集及测试样本集； 利用训练样本集中的数据对级联网络模型进行训练， 利用验证样本集中的数据对训练 后的级联网络模型进 行调优， 并利用测试样本集中的数据对调优后的级联网络模型进 行评 估， 确认最终用于目标检测识别的级联网络模型； 利用确认后的级联网络模型对待检测输入数据进行目标检测识别。 2.根据权利要求1所述的基于多 网络级联的飞机目标细粒度检测方法， 其特征在于， 旋 转检测网络中， 利用Y OLOv5作为框定输入 数据目标位置并获取检测框中目标切片的主干网 络， 并在主干网络 输出层上 添加用于角度分类回归的角度预测回归器。 3.根据权利要求2所述的基于多 网络级联的飞机目标细粒度检测方法， 其特征在于， 主 干网络中采用六参数定义水平回归框， 具体定义内容描述如下： (category,x,y,w,h, θ )， 其 中， category表 示类别序号， (x,y)表示检测框中心点坐标， w表 示矩形检测框较长边， h表示 矩形检测框短边， θ表示x轴沿顺时针方向旋转遇 到矩形检测框最长边所 经过的角度。 4.根据权利要求3所述的基于多 网络级联的飞机目标细粒度检测方法， 其特征在于， 旋 转检测网络中， 使用高斯窗口函数进行标签平滑处理， 以使网络衡量预测标签和真实标签 之间的角度距离； 并利用纵横比感知权 重函数来约束检测框在旋转角度下的纵横比。 5.根据权利要求4所述的基于多 网络级联的飞机目标细粒度检测方法， 其特征在于， 高 斯窗口函数表示为： 其中， σ 为窗函数方差， r为窗函 数半径； 纵横比感知权 重函数表示 为： 其中， hgt和wgt分别为 检测框长边和短边， r为纵横比阈值， α 为调节权重窗口超参数， Δθ表示预测角度值与真实 值之差， θgt表示目标角度真实值， θpred表示角度预测值。 6.根据权利要求1所述的基于多 网络级联的飞机目标细粒度检测方法， 其特征在于， 旋 转检测网络的目标损失函数表示为： Loss＝λ1Lbox+λ2Lcls+λ3Lconf+λ4Lθ， 其中， λ1， λ2， λ3， λ4分 别为位置损失Lbox， 分类损失Lcls， 置信度损失Lconf和角度损失Lθ的超参数。 7.根据权利要求1所述的基于多 网络级联的飞机目标细粒度检测方法， 其特征在于， 二 级分类网络采用EfficientNet ‑v2s网络结构， 并该网络结构的池化层输出侧增加由多个子 分类器构建集成学习模块和对提取 特征进行约束的Fisher正则化判别层。 8.根据权利要求7所述的基于多 网络级联的飞机目标细粒度检测方法， 其特征在于， 二 级分类网络中， 利用EfficientNet ‑v2s网络结构提取一级特征， 并按照设定比率随机选取 所有一级特征中的特征数据， 将选取 的特征数据进行融合产生二级特征； 利用子分类器对权　利　要　求　书 1/2 页 2 CN 114973014 A 2每个二级 特征进行预分类， 并将所有子 分类器的预分类结果通过平均加权生成最 终分类结 果。 9.根据权利要求7或8所述的基于多网络级联的飞机目标细粒度检测方法， 其特征在 于， 二级分类网络的目标损失函数表示为： 其中， λ0, λ1, λ2分别为分类损失函数项J0(X,Y)， 提 取特征施加Fisher判 别正则化函数项J1(X)及权 重衰减函数项 的超参数， X,Y分别为输入数据及其对应标签。 10.一种基于多网络级联的飞机目标细粒度检测系统， 其特征在于， 包含： 模型构建模 块、 样本收集模块、 模型训练模块及目标识别模块， 其中， 模型构建模块， 用于构建用于目标检测的级联网络模型， 所述级联网络模型包含： 用于 定位输入数据中目标并获取目标切片的旋转检测网络， 及用于对目标切片进 行细粒度分类 识别的二级分类网络； 样本收集模块， 用于收集带有标注标签的卫星遥感影像飞机检测样本数据集， 并将收 集的样本数据集按照预设比例划分为训练样本集、 验证样本集及测试样本集； 模型训练模块， 用于利用训练样本集中的数据对级联网络模型进行训练， 利用验证样 本集中的数据对训练后的级联网络模型进 行调优， 并利用测试样本集中的数据对调优后的 级联网络模型进行评估， 确认最终用于目标检测识别的级联网络模型； 目标识别模块， 用于利用确认后的级联网络模型对待检测输入数据进行目标检测识 别。权　利　要　求　书 2/2 页 3 CN 114973014 A 3