(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 202210698556.7 (22)申请日 2022.06.20 (71)申请人 北京航空航天大 学 地址 100000 北京市海淀区学院路37号 (72)发明人 张浩鹏　谭智文　姜志国　谢凤英　 赵丹培　 (74)专利代理 机构 北京慕达星云知识产权代理 事务所 (特殊普通合伙) 11465 专利代理师 符继超 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/40(2022.01) G06V 10/74(2022.01) G06V 10/82(2022.01)G06N 3/08(2006.01) (54)发明名称 一种基于相似性对比学习的弱监督遥感图 像目标检测算法 (57)摘要 本发明涉及一种基于相似性对比学习的弱 监督遥感图像目标检测算法， 首先由特征提取神 经网络获得相似性矩阵， 结合候选框检测得分， 得到相似性候选框簇， 生成合并候选框； 然后， 根 据相似性候选框簇， 得到合并候选框对比损失， 同时， 将所述合并候选框输入至特征提取神经网 络中， 得到多示例损失和精炼损失， 并结合合并 候选框对比损失， 更新训练特征提取神经网络， 最后， 利用训练好的特征提取神经网络对测试图 像进行检测， 得到测试图像的合并候选框， 并将 其输入弱监督检测框架， 得到检测结果。 本发明 公开的算法， 能够生成尺寸分布均匀、 小型候选 框比例降低的新候选框集， 并能得到具有辨别力 的候选框 特征， 进而提升算法分辨出丰富语义候 选框的能力。 权利要求书2页 说明书7页 附图2页 CN 115035409 A 2022.09.09 CN 115035409 A 1.一种基于相似性对比学习的弱监 督遥感图像目标检测算法， 其特 征在于， 包括： S11、 基于特征提取神经网络提取训练图像初始候选框的候选框特征， 采用cosine相似 性准则进行相似性的计算， 得到相似性矩阵； S12、 根据MI L网络分支， 得到候选 框检测得分； S13、 根据所述相似性矩阵和所述候选框检测得分， 确定中心候选框索引， 得到相似性 候选框簇； S14、 利用所述相似性 候选框簇生成合并候选 框； S15、 根据所述相似性候选框簇， 获得正负样本集， 并根据所述正负样本集中候选框与 中心候选框之 间的相似性得分， 根据基于候选框的对比损失函数计算所述相似性候选框簇 的损失； S16、 根据所述相似性 候选框簇的损失， 计算所述 合并候选 框的对比损失； S17、 将所述合并候选框输入至所述特征提取神经网络中， 经过MIL网络分支和精炼网 络分支得到合并候选 框的多示例 损失和精炼损失； S18、 结合所述对比损失， 多示例损失和精炼损失， 根据梯度反向传播更新训练所述特 征提取神经网络； S19、 利用训练好的所述特征提取神经网络对测试图像进行检测， 执行步骤S11 ‑14， 得 到测试图像的合并候选框， 并将所述测试图像的合并候选框输入到所述特征提取神经网 络， 依次经 过所述MIL网络分支和精炼网络分支， 得到检测结果。 2.根据权利要求1所述的一种基于相似性对比学习的弱监督遥感图像目标检测算法， 其特征在于， S1 1中， 所述得到相似性矩阵， 包括， 根据所述 候选框特征， 按如下cosi ne相似性公式， 计算 候选框之间的相似性， 式中， pi、 pj表示第i和第j个候选 框的特征， 得到相似性矩阵MF， 其中， MF∈Rm×m， m为候选框的总数， 为所述相似性矩阵MF中第i行第j列元 素。 3.根据权利要求1所述的一种基于相似性对比学习的弱监督遥感图像目标检测算法， 其特征在于， S13中， 所述得到相似性 候选框簇， 包括如下步骤， 步骤一、 将所述 候选框设置为可用状态avai lable； 步骤二、 根据由所述MIL模型得到的候选框检测得分， 寻找最高得分的候选框， 将其定 义为中心候选 框， 记录中心候选 框索引为Centerj， 步骤三、 在所述相似性矩阵中， 提取第Centerj列向量， 记其 为Fj； 步骤四、 寻找所述Fj中高于所设定阈值τ 的元素位置索引， 与所述中心候选框的索引一 起构成相似性 候选框簇Cj； 步骤五、 将参与索引的候选 框设置为 不可用状态unavai lable；权　利　要　求　书 1/2 页 2 CN 115035409 A 2步骤六、 在为可用状态available的候选框中， 重复步骤二到四， 获得新的相似性候选 框簇， 直到所有的候选 框被设置为unavai lable或达 到循环次数 上限。 4.根据权利要求1所述的一种基于相似性对比学习的弱监督遥感图像目标检测算法， 其特征在于， S14中， 根据所述相似性候选框簇中所有候选框的位置和大小信息， 计算最小 外接矩形， 作为 新的候选 框一， 坐标记为： [x1new,y1new,x2new,y2new]。 5.根据权利要求3所述的一种基于相似性对比学习的弱监督遥感图像目标检测算法， 其特征在于， S15中， 所述获得正负 样本集， 包括： 在所述相似性 候选框簇中， 选取任意索引对应的候选 框， 作为正样本， 记为posj； 所述Fj中低于阈值的元素位置索引， 为负样本索引集， 从中选取Nj个索引作为负样本 集， 记为 其中， 6.根据权利要求5所述的一种基于相似性对比学习的弱监督遥感图像目标检测算法， 其特征在于， 计算所述相似性 候选框簇的损失， 通过如下公式进行计算： 式中， δ是超 参数， 表示Fj向量的第x个元素， 代表着第j个候选框 特征与第x个候选框 特征之间的cosi ne相似性得分， 其中x为posj或negji。 7.根据权利要求6所述的一种基于相似性对比学习的弱监督遥感图像目标检测算法， 其特征在于， 所述对比损失函数， 通过如下公式获得： 式中， K为所述相似性 候选框簇的个数。权　利　要　求　书 2/2 页 3 CN 115035409 A 3