多角度旋转遥感图像小目标检测方法技术

本申请提供了一种多角度旋转遥感图像小目标检测方法，对网络结构、损失函数分别做出了改进。采用特征金字塔网络结构并在该结构上融入了全局注意力结构作为特征提取网络。GA_FPN网络生成不同尺度的特征经过上采样把多尺度的特征统一到单一尺度再通过Merge Network对特征进一步的融合提取，使特征更具语义关联并且能够表示出小目标，然后再利用注意力机制来提高网络对特征的表达能力。之后通过RPN目标检测模块给出目标的分类得分和边框位置并采用旋转非极大值抑制(RNMS)获得任意旋转下的最终检测结果。引入多任务损失函数进行端到端的训练，使得该模型在复杂环境的遥感旋转小目标检测中具有较好的检测结果。

【技术实现步骤摘要】
多角度旋转遥感图像小目标检测方法
本申请属于卫星遥感图像检测
，具体地讲，涉及一种多角度旋转遥感图像小目标检测方法。
技术介绍
卫星遥感技术是应用各种传感仪器对远距离目标所辐射和发射的电磁波信息进行收集、处理并最后形成图像，是当代高新技术的一个重要组成部分，近十年来全球空间对地观测技术的发展和应用表明，卫星遥感技术是一项衡量一个国家科技发展水平的重要尺度。遥感卫星产生的遥感数据具有重要的研究及应用价值。遥感图像目标检测与识别是卫星遥感图像处理领域中最基础的任务之一。由于遥感图像具有视野范围较大、背景复杂度高、视角特殊、目标旋转、小目标等特点，在提供更多感兴趣区域的同时带来了更复杂的背景信息，给目标检测带来了巨大挑战。传统的遥感图像目标检测方法通常是基于图像处理的方法，即先进行阈值分割、纹理/几何特征提取，然后使用模板匹配、背景建模以及基于浅层学习等方法对目标进行判断。如尺度不变特征变换(SIFT)、梯度方向直方图(HOG),以及可变形部件模型(DPM)等,都是根据人工经验设计特征的,虽然在特定的应用场景下能取得较好的检测效果,但该类方法对先验知识的依赖性强,导致检测模型的自适应性与泛化能力较差。近年来，由于受到深度学习在自然场景图像目标检测中的成功应用的影响，许多学者尝试将深度学习方法应用于遥感图像的目标检测中，相比于传统算法大大提高了遥感目标检测的效果，但是对于遥感图像小目标检测应用效果不是很理想。由于在遥感图像中，小目标在图像上所占像素较少，经过特征提取等过程处理成更小的单元，很容易被漏检；密集场景中，各目标交叠部分较大，导致目前遥感检测网络的检测性能较低，容易在重复目标的筛选时出错；而且如果图像中各物体排列复杂，在检测时也不能很好地检测到物体排列方向。
技术实现思路
本申请提供了一种多角度旋转遥感图像小目标检测方法，以至少解决目前的遥感图像目标检测方法对先验知识的依赖性强,导致检测模型的自适应性与泛化能力较差且对遥感图像小目标检测效果不理想的缺陷。根据本申请，提供了一种多角度旋转遥感图像小目标检测方法，包括：选取ResNet101网络作为基础网络构建多尺度特征提取网络；通过多尺度特征提取遥感图像数据生成不同尺度的特征后统一成单一尺度特征；通过合并网络对单一尺度特征进行融合提取获得目标；通过RPN目标检测模块确定目标的分类和目标的边框位置；采用旋转非极大值抑制获得遥感图像数据任意旋转角度下的最终检测结果。在一实施例中，多尺度特征提取网络在特征金字塔结构上融入全局注意力结构，并使用高层语义特征指导自身以ResNet101网络作为基础网络。在一实施例中，多尺度特征提取网络在上采样阶段通过全局池化高层语义特征将全局上下文信息作为横向链接，以从下而上的路径的低层特征指导确定类别的定位细节。在一实施例中，通过多尺度特征提取遥感图像数据生成不同尺度的特征后统一成单一尺度特征，包括：通过多尺度特征提取遥感图像数据生成不同尺度的多尺度特征；将多尺度特征经过上采样操作统一成单一尺度特征。在一实施例中，通过合并网络对单一尺度特征进行融合提取获得目标，包括：利用合并网络将单一尺度特征对应的像素点位置叠加产生新的特征；将来自不同层的新的特征合并融合从而获得目标。在一实施例中，将来自不同层的新的特征合并融合，具体包括：将来自不同层的新的特征与经过上采样统一到相同尺寸的特征图进行concat操作后使用通道注意力机制自动学习不同通道特征的重要程度，最后进行3×3的卷积运算减少通道数量。在一实施例中，通道注意力机制包括MANet网络，MANet网络通过卷积运算学习两通道特征图，特征图分别表示前景和背景的高低。然后，在特征图上执行Softmax操作，输出的结果与特征图相乘，获得新的信息特征图。根据地面真实情况将二值图作为标签，然后将二值图的交叉熵损失和特征图用作注意力损失。在一实施例中，通过RPN目标检测模块确定目标的分类和目标的边框位置，包括：对目标感兴趣区域进行前景与背景的二分类及目标感兴趣区域坐标回归训练，使RPN网络中的权重学习到预测目标区域的能力；利用训练后的RPN网络确定目标的分类和目标的边框位置。在一实施例中，采用旋转非极大值抑制获得遥感图像数据任意旋转角度下的最终检测结果，包括：采用偏斜IoU计算的方法，将旋转非极大值抑制作为基于偏斜IoU计算的后处理操作获得旋转边界框的回归:tx＝(x-xa)/wa,ty＝(y-ya)/ha,tw＝log(w/wa),th＝log(h/ha),tθ＝θ-θa其中x，y，w，h和θ分别表示框的中心坐标，宽度，高度和角度。变量x，xa和x*分别用于地面真实框，锚点框和预测框；根据旋转边界框获得遥感图像数据任意旋转角度下的最终检测结果。在一实施例中，多角度旋转遥感图像小目标检测方法还包括：将旋转非极大值抑制中的多任务损失函数进行修改及训练。本申请提供的多角度旋转遥感图像小目标检测网络将全局注意力机制融入特征金字塔网络，构建了多特征提取网络模块并将其运用在遥感图像检测中，而且提出“合并网络”结构，将来自不同层的特征合并融合。相比于其他现有网络可以对遥感图像中复杂场景下的多角度旋转的小目标进行更加精准的检测。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请提供的一种多角度旋转遥感图像小目标检测方法流程图。图2为本申请实施例中MARNet网络结构图。图3为本申请实施例中特征金字塔网络结构图。图4为本申请实施例中GA_FPN模型结构图。图5为本申请实施例中MergeNet网络结构图。图6为本申请实施例中SUM原理示意图及Concat原理示意图。图7为本申请实施例中多尺度注意力机制效果图。图8为本申请实施例中MANET网络结构图。图9为本申请实施例中多尺度注意力机制示意图。图10为本申请实施例中RPN网络结构图。图11为本申请实施例中旋转框示意图。图12为本申请实施例中一种电子设备的具体实施方式。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。为了解决
技术介绍
中所存在的问题，本申请提供了一种多角度旋转遥感图像小目标检测方法，如图1所示，包括：S101:选取R本文档来自技高网...

【技术保护点】
1.一种多角度旋转遥感图像小目标检测方法，其特征在于，包括：/n选取ResNet101网络作为基础网络构建多尺度特征提取网络；/n通过所述多尺度特征提取遥感图像数据生成不同尺度的特征后统一成单一尺度特征；/n通过合并网络对所述单一尺度特征进行融合提取获得目标；/n通过RPN目标检测模块确定所述目标的分类和目标的边框位置；/n采用旋转非极大值抑制获得遥感图像数据任意旋转角度下的最终检测结果。/n

【技术特征摘要】
1.一种多角度旋转遥感图像小目标检测方法，其特征在于，包括：
选取ResNet101网络作为基础网络构建多尺度特征提取网络；
通过所述多尺度特征提取遥感图像数据生成不同尺度的特征后统一成单一尺度特征；
通过合并网络对所述单一尺度特征进行融合提取获得目标；
通过RPN目标检测模块确定所述目标的分类和目标的边框位置；
采用旋转非极大值抑制获得遥感图像数据任意旋转角度下的最终检测结果。


2.根据权利要求1所述的多角度旋转遥感图像小目标检测方法，其特征在于，所述多尺度特征提取网络在特征金字塔结构上融入全局注意力结构，并使用高层语义特征指导自身以所述ResNet101网络作为基础网络。


3.根据权利要求1所述的多角度旋转遥感图像小目标检测方法，其特征在于，所述多尺度特征提取网络在上采样阶段通过全局池化高层语义特征将全局上下文信息作为横向链接，以从下而上的路径的低层特征指导确定类别的定位细节。


4.根据权利要求1所述的多角度旋转遥感图像小目标检测方法，其特征在于，通过所述多尺度特征提取遥感图像数据生成不同尺度的特征后统一成单一尺度特征，包括：
通过所述多尺度特征提取遥感图像数据生成不同尺度的多尺度特征；
将所述多尺度特征经过上采样操作统一成单一尺度特征。


5.根据权利要求1所述的多角度旋转遥感图像小目标检测方法，其特征在于，通过合并网络对所述单一尺度特征进行融合提取获得目标，包括：
利用所述合并网络将所述单一尺度特征对应的像素点位置叠加产生新的特征；
将来自不同层的新的特征合并融合从而获得目标。


6.根据权利要求5所述的多角度旋转遥感图像小目标检测方法，其特征在于，将来自不同层的新的特征合并融合，具体包括：
将来自不同层的新的特征与经过上采样统一到相同尺寸的特征图...

【专利技术属性】
技术研发人员：曹连雨，
申请(专利权)人：中科弘云科技北京有限公司，
类型：发明
国别省市：北京;11