基于注意力及生成对抗网络的遥感影像目标检测方法技术

本发明专利技术提供基于注意力及生成对抗网络的遥感影像目标检测方法，包括对数据进行初始处理，之后将处理过的数据集输入到算法网络，输入图像流经由卷积神经网络构成的图像特征提取网络；由网络生成影像目标候选区域；将候选区域位置信息映射到对应的特征图；映射特征图输入全连接网络预测出准确的边界框位置并完成目标的分类，掩码生成分支则继续根据候选区域生成目标掩码，本发明专利技术用于解决一些特定目标数据稀缺，遥感图像中的飞机船只的目标检测问题。题。题。

【技术实现步骤摘要】
基于注意力及生成对抗网络的遥感影像目标检测方法


[0001]本专利技术涉及人工智能、深度学习、目标检测
，尤其涉及基于注意 力及生成对抗网络的遥感影像目标检测方法。

技术介绍

[0002]早期因为卫星遥感图像的空间分辨率较低，对于图像中一些较小的物体， 无法进行精确检测，对于遥感图像的检测主要集中在提取某一块区域的空间地 理属性，例如图像中的森林，湖泊，植被分布等。近几年，得益于遥感技术快 速发展，航空遥感图像的空间分辨率也可以达到亚米级别，使得检测图像中的 单独个体成为可能。
[0003]在海量高分辨率的遥感图像数据支持下，一些应用在遥感图像上的目标检 测技术开始相继涌现，尤其基于深度学习技术的目标检测更是发展快速。虽然 基于深度学习的分类和检测模型已经被广泛的应用在遥感图像领域，但大多数 还是关注在日常的物体检测中，日常物体的检测与遥感图像目标检测的区别在 于其容易获取，尺度变化比较小，一般一张图片中需要检测的目标也比较少， 这些深度学习的模型对于遥感图像这种目标变化尺度大，样本分布不均衡，背 景复杂的图像检测并不能体现出来其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于注意力及生成对抗网络的遥感影像目标检测方法，其特征在于，包括以下几个步骤：S1、利用现有的Mask R
‑
CNN模型，在骨干网络ResNet101上嵌入注意力机制、特征金字塔FPN，在Mask掩码分支进行GAN对抗训练，得到训练好的目标检测识别深度网络；S2、对收集制作的遥感影像数据集上使用数据增强方法对数据集进行样本扩充；S3、将S2中扩充之后的遥感影像数据集送入S1中以ResNet101以及FPN作为骨干网络的深度卷积层生成特征图；S4、将S3中生成的特征图送入MaskR
‑
CNN中的区域推荐网络，使用卷积神经网络做分类与目标检测框回归，得到候选区域；S5、对S4中生成的候选区域做感兴趣区域对齐，重塑特征图的尺寸；S6、对S5中重塑尺寸后的特征图送入三个全连接网络，分别对图像做目标分类、目标检测框回归以及掩码生成。2.根据权利要求1所述的基于注意力及生成对抗网络的遥感影像目标检测方法，其特征在于，所述增强方法包括尺度变换、旋转以及马赛克。3.根据权利要求1所述的基于注意力及生成对抗网络的遥感影像目标检测方法，其特征在于，所述目标检测框的获得具体包括：S11、对初始图片进行尺寸归一化处理；S12、利用ResNet101进行图片特征提取，在骨干网络中加入注意力模块，计算图像的卷积特征，将最后一层卷积特征输入特征金字塔网络，构建包含语义与位置的特征图，最后以特征金字塔网络的输出特征图构建候选区域生成网络推荐图，生成候选区域；S13、将候选区域与感兴趣区域对齐，将其输入到全连层进行预测，得到多个目标检测候选框；S14、采用非极大值抑制算法，剔除多余的目标检测框，得到最终的目标检测框。4.根据权利要求1所述的基于注意力及生成对抗网络的遥感影像目标检测方法，其特征在于，所述Mask R
‑
CNN网络中用到RoI Align，在原始池化操作上引入双线性内插算法，具体算法公式如下：x
i
代表池化前特征图上的像素点；y
rj
...

【专利技术属性】
技术研发人员：李佳琪，吴湘宁，邓中港，王稳，陈苗，代刚，邓玉娇，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：