本申请提供一种遥感图像建筑物的检测方法、装置、设备及存储介质。通过接收待检测遥感图像，采用改进的特征提取模型对遥感图像进行多尺度特征提取，得到多个不同尺度的第一特征图；确定多个不同尺度的第一特征图中前景目标的第一检测框；获取第一检测框对应的第二特征图，对第二特征图进行分类、框回归以及掩膜预测，得到用于指示遥感图像中每种建筑物的类别信息、位置信息以及掩膜信息的检测结果。上述改进的特征提取模型包括多个卷积计算层，每个卷积计算层包括两个Ghost模块层，Ghost模块层是采用一系列线性运算生成特征图的模块层，对模型做了精度和轻量化上的改进，在满足高分遥感图像建筑物检测精度的情况下提升检测效率。感图像建筑物检测精度的情况下提升检测效率。感图像建筑物检测精度的情况下提升检测效率。
【技术实现步骤摘要】
遥感图像建筑物的检测方法、装置、设备及存储介质
[0001]本申请涉及计算机视觉
，尤其涉及一种遥感图像建筑物的检测方法、装置、设备及存储介质。
技术介绍
[0002]随着遥感卫星领域技术的不断发展，遥感影像中建筑物目标自动化精确提取成为数字测图领域重要的研究方向。高分遥感图像数据中存在大量的人工地物，部分人工地物的纹理、材料等特征细节与建筑物极度相似，且与目标建筑物地理位置较近，因此，这些干扰使得建筑物很难从背景中准确且完整地提取出来。
[0003]目前，基于深度学习的高分遥感图像建筑物模型大部分依靠语义分割方法或目标检测方法实现。随着遥感图像分辨率的提高，图像中每个像元包含的语义信息较为有限，建筑物占有的像元个数较多，这使得遥感图像中的建筑物的特征变得更加复杂难以学习和识别。
[0004]现有模型在数据处理过程有以下问题：提取的特征信息冗余，无法在高分辨率下精确分割建筑物，并且经常产生建筑物检测轮廓不完整的情况，使得高分遥感图像建筑物提取的精度不高。另外由于高分遥感图像数据量庞大，建筑物提取任务工作量巨大，提取特征效率低。
技术实现思路
[0005]本申请实施例提供一种遥感图像建筑物的检测方法、装置、设备及存储介质，在满足检测精度的情况下，提高检测效率。
[0006]本申请实施例的第一方面提供一种遥感图像建筑物的检测方法，包括：接收待检测的遥感图像，所述遥感图像包括建筑物；采用改进的特征提取模型对所述遥感图像进行多个不同尺度的特征提取，得到多个不同尺度的第一特征图；所述改进的特征提取模型包括多个卷积计算层，每个卷积计算层包括两个Ghost模块层，Ghost模块层是采用一系列线性运算生成特征图的模块层；确定所述多个不同尺度的第一特征图中前景目标的第一检测框，所述前景目标包括所述建筑物以及除所述建筑物之外的其他目标；获取所述第一检测框对应的第二特征图，对所述第二特征图进行分类、框回归以及掩膜预测，得到所述遥感图像的建筑物检测结果；所述建筑物检测结果用于指示所述遥感图像中每种建筑物的类别信息、位置信息以及掩膜信息。
[0007]本申请第一方面的一个可选实施例中，所述采用改进的特征提取模型对所述遥感图像进行多个不同尺度的特征提取，得到多个不同尺度的第一特征图，包括：将遥感图像输入所述改进的特征提取模型中的主干网络，得到多个不同尺度的第三特征图；所述主干网络包括所述多个卷积计算层；将所述多个不同尺度的第三特征图输入所述改进的特征提取模型中的特征融合
网络，生成所述多个不同尺度的第一特征图。
[0008]本申请第一方面的一个可选实施例中，所述每个卷积计算层包括两个Ghost模块层，分别为第一Ghost模块和第二Ghost模块；其中，所述第一Ghost模块层用于扩展输入的特征图的通道数，所述第二Ghost模块用于减少输入的特征图的通道数。
[0009]本申请第一方面的一个可选实施例中，所述第一Ghost模块的输入包括所述遥感图像，或者，所述第一Ghost模块对应的卷积计算层的前一个卷积计算层输出的特征图；所述第二Ghost模块层的输入包括对所述第一Ghost模块层输出的特征图进行归一化BN和ReLU非线性激活后的特征图。
[0010]本申请第一方面的一个可选实施例中，所述每个卷积计算层还包括连接层，所述连接层是将输入所述第一Ghost模块的特征图与所述第二Ghost模块输出的特征图进行特征叠加的层；其中，输入所述第一Ghost模块的特征图与所述第二Ghost模块输出的特征图的特征通道相匹配。
[0011]本申请第一方面的一个可选实施例中，所述确定所述多个不同尺度的第一特征图中前景目标的第一检测框，包括：将所述多个不同尺度的第一特征图输入区域生成网络RPN，得到所述多个不同尺度的第一特征图中前景目标的第一检测框。
[0012]本申请第一方面的一个可选实施例中，所述获取所述第一检测框对应的第二特征图，包括：将所述第一检测框分割为k
×
k个单元，k为大于或等于2的整数；基于双线性插值法确定每个单元中固定的四个坐标位置的像素值，经最大池化操作，获取每个单元对应的像素值；基于k
×
k个单元对应的像素值，获取所述第二特征图。
[0013]本申请第一方面的一个可选实施例中，所述对所述第二特征图进行分类、框回归以及掩膜预测，得到所述遥感图像的建筑物检测结果，包括：将所述第二特征图输入至全卷积网络FCN掩膜模块，得到所述遥感图像中每种建筑物的掩膜信息；将所述第二特征图输入至分类回归模块，得到所述遥感图像中每种建筑物的类别信息以及位置信息。
[0014]本申请实施例的第二方面提供一种遥感图像建筑物的检测装置，包括：接收模块，用于接收待检测的遥感图像，所述遥感图像包括建筑物；特征提取模块，用于采用改进的特征提取模型对所述遥感图像进行多个不同尺度的特征提取，得到多个不同尺度的第一特征图；所述改进的特征提取模型包括多个卷积计算层，每个卷积计算层包括两个Ghost模块层，Ghost模块层是采用一系列线性运算生成特征图的模块层；目标检测模块，用于确定所述多个不同尺度的第一特征图中前景目标的第一检测框，所述前景目标包括所述建筑物以及除所述建筑物之外的其他目标；处理模块，用于获取所述第一检测框对应的第二特征图，对所述第二特征图进行分类、框回归以及掩膜预测，得到所述遥感图像的建筑物检测结果；所述建筑物检测结果用
于指示所述遥感图像中每种建筑物的类别信息、位置信息以及掩膜信息。
[0015]本申请第二方面的一个可选实施例中，特征提取模块，用于：将遥感图像输入所述改进的特征提取模型中的主干网络，得到多个不同尺度的第三特征图；所述主干网络包括所述多个卷积计算层；将所述多个不同尺度的第三特征图输入所述改进的特征提取模型中的特征融合网络，生成所述多个不同尺度的第一特征图。
[0016]本申请第二方面的一个可选实施例中，所述每个卷积计算层包括两个Ghost模块层，分别为第一Ghost模块和第二Ghost模块；其中，所述第一Ghost模块层用于扩展输入的特征图的通道数，所述第二Ghost模块用于减少输入的特征图的通道数。
[0017]本申请第二方面的一个可选实施例中，所述第一Ghost模块的输入包括所述遥感图像，或者，所述第一Ghost模块对应的卷积计算层的前一个卷积计算层输出的特征图；所述第二Ghost模块层的输入包括对所述第一Ghost模块层输出的特征图进行归一化BN和ReLU非线性激活后的特征图。
[0018]本申请第二方面的一个可选实施例中，所述每个卷积计算层还包括连接层，所述连接层是将输入所述第一Ghost模块的特征图与所述第二Ghost模块输出的特征图进行特征叠加的层；其中，输入所述第一Ghost模块的特征图与所述第二Ghost模块输出的特征图的特征通道相匹配。
[0019]本申请第二方面的一个可选实施例中，目标检测模块，用于：将所述多个不同尺度的第一特征图输入区域生成网络RPN，得到所述多个不同本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种遥感图像建筑物的检测方法，其特征在于，包括：接收待检测的遥感图像，所述遥感图像包括建筑物；采用改进的特征提取模型对所述遥感图像进行多个不同尺度的特征提取，得到多个不同尺度的第一特征图；所述改进的特征提取模型包括多个卷积计算层，每个卷积计算层包括两个Ghost模块层，Ghost模块层是采用一系列线性运算生成特征图的模块层；确定所述多个不同尺度的第一特征图中前景目标的第一检测框，所述前景目标包括所述建筑物以及除所述建筑物之外的其他目标；获取所述第一检测框对应的第二特征图，对所述第二特征图进行分类、框回归以及掩膜预测，得到所述遥感图像的建筑物检测结果；所述建筑物检测结果用于指示所述遥感图像中每种建筑物的类别信息、位置信息以及掩膜信息。2.根据权利要求1所述的方法，其特征在于，所述采用改进的特征提取模型对所述遥感图像进行多个不同尺度的特征提取，得到多个不同尺度的第一特征图，包括：将遥感图像输入所述改进的特征提取模型中的主干网络，得到多个不同尺度的第三特征图；所述主干网络包括所述多个卷积计算层；将所述多个不同尺度的第三特征图输入所述改进的特征提取模型中的特征融合网络，生成所述多个不同尺度的第一特征图。3.根据权利要求1或2所述的方法，其特征在于，所述每个卷积计算层包括两个Ghost模块层，分别为第一Ghost模块和第二Ghost模块；其中，所述第一Ghost模块层用于扩展输入的特征图的通道数，所述第二Ghost模块用于减少输入的特征图的通道数。4.根据权利要求3所述的方法，其特征在于，所述第一Ghost模块的输入包括所述遥感图像，或者，所述第一Ghost模块对应的卷积计算层的前一个卷积计算层输出的特征图；所述第二Ghost模块层的输入包括对所述第一Ghost模块层输出的特征图进行归一化BN和ReLU非线性激活后的特征图。5.根据权利要求3所述的方法，其特征在于，所述每个卷积计算层还包括连接层，所述连接层是将输入所述第一Ghost模块的特征图与所述第二Ghost模块输出的特征图进行特征叠加的层；其中，输入所述第一Ghost模块的特征图与所述第二Ghost模块输出的特征图的特征通道相匹配。6.根据权利要求1所述的方法，其特征在于，所述确定所述多个不同尺度的第一特征图中前景...
【专利技术属性】
技术研发人员：周波，苗瑞，邹小刚，
申请(专利权)人：深圳市海清视讯科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。