一种遥感图像检测系统及方法技术方案

本发明专利技术提供一种遥感图像检测系统及方法，由残差对抗网络的密集残差块提取每一层的图像特征，通过残差对抗的方式将图像的局部特征与全局特征进行融合，对特征空间层进行重构，完成对遥感图像分辨率的提升，提升分辨率后的遥感图像由Backbone主干网络模块提取图像语义特征、定位特征，然后Neck结构模块通过特征金字塔与路径聚合网络将不同尺度的特征进行融合，接着输出三个目标大小不同的输出网络，最终实现了遥感图像的目标检测，并采用损失函数提高目标预测定位精度，本发明专利技术能够有效识别低分辨率下的目标，提升了对小目标的检测精确度，满足遥感图像检测的需求。满足遥感图像检测的需求。满足遥感图像检测的需求。

【技术实现步骤摘要】
一种遥感图像检测系统及方法


[0001]本专利技术关于一种遥感图像检测系统及方法，特别是有关于一种基于残差对抗目标检测算法的遥感图像检测。

技术介绍

[0002]近几年来，随着卫星和航拍飞机的发展，越来越多的光学遥感图像被广泛应用在军事作战或者民用生活中，因为受到光照、复杂环境变化的影响，并且遥感图像的尺度跨度大、目标尺寸小，遥感图像的目标检测较为困难，所以提高遥感图像的检测效果是当前亟待解决的问题。
[0003]在过去十几年的时间里，早期的算法如CH算法、LBP算法、Gabor算法等为遥感图像的场景分类、目标识别做出了巨大的贡献。随着计算机运算速度的提升，基于卷积神经网络CNN的目标检测算法逐渐发展了起来，此类算法检测步骤大致分为两步：一是生成大量候选区域，二是对这些区域进行回归和分类。因此被称为双阶段目标检测算法。这类算法能够提高目标检测的精确度，但是检测速度较慢。2016年，Joseph等人正式提出YOLO算法，YOLO算法将输入图像划分为网格，网格中的单元格负责检测一定数量的目标，针对YOLO算法定位问题和小目标检测精度低的问题，Liu提出了SSD算法。这一类算法被称为单阶段目标检测算法。单阶段目标检测算法可以直接通过深度人工神经网络提取目标的特征来预测目标的分类以及位置，这种方法能够大幅度提高检测速度。目前，深度人工神经网络目标检测算法因为精确度高、速度快等优点，已被广泛应用于遥感图像检测中。
[0004]尽管遥感目标检测方面已经有了很多研究成果，但是目前遥感目标检测仍存在目标尺度小而像素分辨率相对目标来说过低等问题。

技术实现思路

[0005]针对上述问题，本专利技术提供一种遥感图像检测系统，包括目标检测网络和残差对抗网络，其中：该目标检测网络包括BackBone主干网络模块、Neck结构模块和输出网络；该残差对抗网络包括残差对抗生成网络模块；低分辨率遥感图像经过残差对抗生成网络模块输出合成的高分辨率遥感图像，传入该BackBone主干网络模块，由该BackBone主干网络模块提取出不同尺寸的特征，再由该Neck结构模块融合特征，检测出大小不同的目标，传入该输出网络。
[0006]进一步地，该BackBone主干网络模块包括Focus注意力模块、图像特征提取结构以及特征分析结构，其中Focus注意力模块由四个切片slice、矢量拼接及CBL组件组成，CBL组件由卷积层、批量归一化层及Leaky Relu激活函数层组成，该图像特征提取结构由该CBL组件及CSP1_x网络交替形成，该CSP1_x网络是CBL组件、x个残差块和卷积层后，再与一个卷积层矢量拼接，拼接后的结果再和批量归一化层、Leaky Relu激活函数层和CBL组件组成，x为自然数，代表残差块的数量，该特征分析结构为SPP金字塔池化模块，由CBL组件和三个尺寸
不同的最大池化层矢量拼接后，再连接一个CBL组件组成。
[0007]进一步地，该Neck结构模块包括特征金字塔和路径聚合网络，特征金字塔由特征提取网络及上采样模块组成，路径聚合网络由特征提取网络组成，该特征提取网络由CSP2_x网络及CBL组件组成，该CSP2_x网络是CBL组件和2x个CBL组件经过一个卷积层后的结果再与一个卷积层矢量拼接，矢量拼接后的结果再经过一个批量归一化层、Leaky Relu激活函数层及一个CBL组件，2x为CSP2_x网络中经过第一个CBL组件后所需要的CBL组件的个数，其中x为自然数。
[0008]进一步地，该残差对抗网络还包括残差对抗判别网络模块。
[0009]进一步地，该目标检测网络使用损失函数衡量预测框与真实框之间的重合度。
[0010]进一步地，该损失函数公式为：损失函数公式为：其中，是指预测框与真实框交集区域面积和并集区域面积之间的比值，表示两框中心点的欧氏距离，表示两框的最下外接矩形，表示真实框，则表示真实框的宽度，表示真实框的高度，表示预测框，和分别表示预测框的宽度和高度。
[0011]本专利技术另提供一种遥感图像检测方法，基于上述的一种遥感图像检测系统，该遥感图像检测方法包括以下步骤：S1：接收低分辨率遥感图像；S2：该残差对抗生成网络模块生成高分辨率遥感图像；S3：该BackBone主干网络模块提取不同尺寸的目标特征；S4：该Neck结构模块进行特征融合；S5：输出并识别不同尺寸的目标。
[0012]进一步地，在步骤S3之前，该残差对抗判别网络模块判别步骤S2中生成的该高分辨率遥感图像为真实图像或是生成图像。
[0013]进一步地，步骤S5后采用精确度表示预测正确的目标类别占所有预测正确的样本的百分比，其中，为遥感图像目标类别被检测为正样本的数量，为遥感图像非目标类别被检测为正样本的数量。
[0014]进一步地，步骤S5后采用召回率、均平均精确度和检测模型性能，其中，
ꢀ
，公式中为遥感图像目标类别被检测为正样本的数量，为遥感图像非目标类别检测为负样本的数量；，公式中为数据集中目标类别的总数量，表示第类目标的精确率，表示第类目标召回率；，公式中表示精确率，表示召回率。
[0015]通过本专利技术提供的一种遥感图像检测系统及方法，经过残差对抗生成网络模块，将图像的局部特征与全局特征进行融合，对特征进行重构，输出合成的高分辨率遥感图像，再使用Backbone主干网络模块提取特征，使用Neck结构模块的特征金字塔和路径聚合网络处理类别特征和位置特征。最终实现了遥感图像的目标检测。采用损失函数提高目标预测定位精度，本专利技术能够识别低分辨率下的目标，提升了对小目标的检测精确度。
附图说明
[0016]图1为本专利技术一种遥感图像检测系统整体框架示意图；图2为本专利技术一种遥感图像检测系统的残差对抗生成网络模块的结构示意图；图3为本专利技术一种遥感图像检测系统的残差对抗判别网络模块的结构示意图；图4为本专利技术一种遥感图像检测系统的目标检测网络架构示意图；图5为本专利技术一种遥感图像检测系统目标检测网络的BackBone主干网络模块示意图；图6为本专利技术一种遥感图像检测系统目标检测网络的Neck结构模块示意图；图7本专利技术一种遥感图像检测系统整体结构示意图；图8为本专利技术一种遥感图像检测方法流程图；图9A为YOLOv5算法检测结果示意图；图9B为本专利技术一种遥感图像检测方法检测结果示意图。
[0017]1 残差对抗生成网络模块2 BackBone主干网络模块3 NecＧk结构模块4 输出网络5 残差对抗判别网络模块31 特征金字塔32 路径聚合网络。
具体实施方式
[0018]为使对本专利技术的目的、构造、特征、及其功能有进一步的了解，兹配合实施例详细说明如下。
[0019]本专利技术提供一种遥感图像检测系统，参见图1，图1为本专利技术一种遥感图像检测系统整体框架示意图，包括目标检测网络和残差对抗网络，其中：目标检测网络包括BackBone主干网络模块2、Neck结构模块3和输出网络4，参见图4，图4为本专利技术一种遥感图像检测系统的目标检测网络架构示意图，残差对抗本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遥感图像检测系统，其特征在于，该遥感图像检测系统包括目标检测网络和残差对抗网络，其中：该目标检测网络包括输入端、BackBone主干网络模块、Neck结构模块和输出网络；该残差对抗网络包括残差对抗生成网络模块；低分辨率遥感图像经过该残差对抗生成网络模块输出合成的高分辨率遥感图像，传入该BackBone主干网络模块，由该BackBone主干网络模块提取出不同尺寸的特征，再由该Neck结构模块融合特征，检测出大小不同的目标，传入该输出网络。2.根据权利要求1所述的一种遥感图像检测系统，其特征在于，该BackBone主干网络模块包括Focus注意力模块、图像特征提取结构以及特征分析结构，其中该Focus注意力模块由四个切片slice、矢量拼接及CBL组件组成，该CBL组件由卷积层、批量归一化层及Leaky Relu激活函数层组成，该图像特征提取结构由该CBL组件及CSP1_x网络交替形成，该CSP1_x网络是CBL组件、x个残差块和卷积层后，再与一个卷积层矢量拼接，拼接后的结果再和批量归一化层、Leaky Relu激活函数层和CBL组件组成，x为自然数，代表残差块的数量，该特征分析结构为SPP金字塔池化模块，由CBL组件和三个尺寸不同的最大池化层矢量拼接后，再连接一个CBL组件组成。3.根据权利要求1所述的一种遥感图像检测系统，其特征在于，该Neck结构模块包括特征金字塔和路径聚合网络，该特征金字塔由特征提取网络及上采样模块组成，该路径聚合网络由特征提取网络组成，该特征提取网络由CSP2_x网络及CBL组件组成，该CSP2_x网络是CBL组件和2x个CBL组件经过一个卷积层后的结果再与一个卷积层矢量拼接，矢量拼接后的结果再经过一个批量归一化层、Leaky Relu激活函数层及一个CBL组件，2x为CSP2_x网络中经过第一个CBL组件后所需要的CBL组件...

【专利技术属性】
技术研发人员：吴迪，黄玉玲，朱涛，陶昕辰，高恬曼，周楠，沈占锋，
申请(专利权)人：苏州大学，
类型：发明
国别省市：