遥感图像目标检测方法、装置、电子设备及介质制造方法及图纸

本申请涉及遥感图像目标检测方法、装置、电子设备及介质，涉及图像处理技术领域，方法包括：获取待测图像；提取所述待测图像基于多个尺度的多个特征图；将多个所述特征图输入至训练好的特征融合网络模型进行特征融合以生成多个融合特征图；基于所述融合特征图确定目标的分类和目标的边框界框位置；其中，所述训练好的特征融合网络模型为基于多个训练好的normal cell和NAS

【技术实现步骤摘要】
遥感图像目标检测方法、装置、电子设备及介质


[0001]本申请属于图像处理领域，尤其是涉及遥感图像目标检测方法、装置、电子设备及介质。

技术介绍

[0002]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。
[0003]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(Scale
‑
invariant feature transform，SIFT)、梯度方向直方图(Histogram oforiented gradient，HOG),以及可变形部件模型(Deformable Part Model，DPM)等。
[0004]针对上述中的相关技术，专利技术人认为存在以下缺陷：相关技术中网络模型根据人工经验设计,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，在对遥感图像进行目标检测的准确度较低。

技术实现思路

[0005]为了提高对遥感图像进行目标检测时的准确度，本申请提供遥感图像目标检测方法、装置、电子设备及介质。
[0006]第一方面，本申请提供一种遥感图像目标检测方法，采用如下的技术方案：一种遥感图像目标检测方法，包括：获取待测图像；提取所述待测图像基于多个尺度的多个特征图；将多个所述特征图输入至训练好的特征融合网络模型进行特征融合以生成多个融合特征图；基于所述融合特征图确定目标的分类和目标的边框界框位置；其中，所述训练好的特征融合网络模型为基于多个训练好的normal cell和NAS
‑
FPN网络模型生成的DARS
‑
FPN网络模型，且所述训练好的normal cell为根据遥感图像集以及DARTS 算法训练生成的normal cell。
[0007]通过采用上述技术方案，提取了图像各个尺度的特征图后，将多个特征图输入至训练好的normal cell进行特征融合以生成初步融合特征，将初步融合特征输入至NAS
‑
FPN网络模型，NAS
‑
FPN网络模型对初步融合后的特征进行进一步融合后生成融合特征图，由于训练好的normal cell是针对于遥感图像目标检测进行针对性训练得到的神经单元结构，因此使得整个DARTS
‑
FPN更适用于遥感图像，进而提升了网络模型对遥感图像进行目标检测时的准确性。
[0008]在另一种可能的实现方式中，所述提取所述待测图像基于多个尺度的多个特征
图，包括：提取所述待测图像基于训练好的Resnet网络模型生成的多个尺度的多个特征图。
[0009]在另一种可能的实现方式中，所述根据遥感图像集以及DARTS算法训练生成训练好的normal cell，包括：根据所述遥感图像集以及DARTS算法训练生成初始normal cell和初始reduction cell；基于所述初始normal cell和所述初始reduction cell堆叠生成验证网络模型；将获取到的验证图片输入至所述验证网络模型以生成验证结果；基于所述验证结果确定所述训练好的normal cell。
[0010]在另一种可能的实现方式中，将多个所述特征图输入至训练好的特征融合网络模型进行特征融合以生成多个融合特征图，之前还包括：预测每个所述特征图的权重，并将每个所述特征图加权后输入至所述特征融合网络模型。
[0011]在另一种可能的实现方式中，所述基于所述融合特征图确定目标的分类和目标的边框界框位置，包括：根据偏斜IoU计算方法，将旋转非极大值抑制作为基于偏斜IoU计算的后处理操作确定旋转边界框的回归；其中，所述旋转边界框回归偏移量包括：t
x
＝(x
‑
x
a
)/w
a
t
y
＝(y
‑
y
a
)/h
a
t
w
＝log(w/w
a
)t
h
＝log(h/h
a
)t
θ
＝θ
‑
θ
a
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，x
a
和x分别用于地面真实框、锚框和预测框。
[0012]在另一种可能的实现方式中，所述方法还包括：根据IoU
‑
Smooth L1 loss损失函数确定所述旋转边界框的回归；其中，所述IoU
‑
Smooth L1 loss损失函数为：
其中，其中N表示锚框数量；t
n
表示对象的标签；p
n
是由Softmax函数计算的各个类别的概率分布，t
′
n
是一个二进制值(t
′
n
＝1表示前景，t
′
n
＝0表示背景，背景无回归)；v
′
nj
表示预测的偏移矢量；v
nj
表示地面真实的目标矢量；u
ij
，u
′
ij
分别代表遮掩像素的标签和预测；IoU表示预测框和地面真实框的重叠；λ1，λ2，λ3表示的是超参数。
[0013]第二方面，本申请提供一种遥感图像目标检测装置，采用如下的技术方案：一种遥感图像目标检测装置，包括：获取模块，用于获取待测图像；特征提取模块，用于提取所述待测图像基于多个尺度的多个特征图；特征融合模块，用于将多个所述特征图输入至训练好的特征融合网络模型进行特征融合以生成多个融合特征图；分类回归子网络模块，用于基于所述融合特征图确定目标的分类和目标的边框界框位置；其中，所述训练好的特征融合网络模型为基于多个训练好的normal cell和NAS
‑
FPN网络模型生成的DARS
‑
FPN网络模型，且所述训练好的normal cell为根据遥感图像集以及DARTS 算法训练生成的normal cell。
[0014]在另一种可能的实现方式中，所述特征提取模块在提取所述待测图像基于多个尺度的多个特征图时，具体用于：提取所述待测图像基于训练好的Resnet网络模型生成的多个尺度的多个特征图。
[0015]在另一种可能的实现方式中，所述特征融合模块在根据遥感图像集以及DARTS算法训练生成训练好的normal cell时，具体用于：根据所述遥感图像集以及DARTS算法训练生成初始normal cell和初始reduction cell；基于所述初始normal cell和所述初始reduction cell堆叠生成验证网络模型；将获取到的验证图片输入至本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遥感图像目标检测方法，其特征在于，包括：获取待测图像；提取所述待测图像基于多个尺度的多个特征图；将多个所述特征图输入至训练好的特征融合网络模型进行特征融合以生成多个融合特征图；基于所述融合特征图确定目标的分类和目标的边框界框位置；其中，所述训练好的特征融合网络模型为基于多个训练好的normal cell和NAS
‑
FPN网络模型生成的DARS
‑
FPN网络模型，且所述训练好的normal cell为根据遥感图像集以及DARTS算法训练生成的normal cell。2.根据权利要求1所述的方法，其特征在于，所述提取所述待测图像基于多个尺度的多个特征图，包括：提取所述待测图像基于训练好的Resnet网络模型生成的多个尺度的多个特征图。3.根据权利要求1所述的方法，其特征在于，所述根据遥感图像集以及DARTS算法训练生成训练好的normal cell，包括：根据所述遥感图像集以及DARTS算法训练生成初始normal cell和初始reduction cell；基于所述初始normal cell和所述初始reduction cell堆叠生成验证网络模型；将获取到的验证图片输入至所述验证网络模型以生成验证结果；基于所述验证结果确定所述训练好的normal cell。4.根据权利要求1所述的方法，其特征在于，将多个所述特征图输入至训练好的特征融合网络模型进行特征融合以生成多个融合特征图，之前还包括：预测每个所述特征图的权重，并将每个所述特征图加权后输入至所述特征融合网络模型。5.根据权利要求1所述的方法，其特征在于，所述基于所述融合特征图确定目标的分类和目标的边框界框位置，包括：根据偏斜IoU计算方法，将旋转非极大值抑制作为基于偏斜IoU计算的后处理操作确定旋转边界框的回归；其中，所述旋转边界框回归偏移量包括：t
x
＝(x
‑
x
a
)/w
a
t
y
＝(y
‑
y
a
)/h
a
t
w
＝log(w/w
a
)t
h
＝log(h/h
a
)t
θ
＝θ
‑
θ<...

【专利技术属性】
技术研发人员：曹连雨，张小璐，
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：