一种基于深度学习的遥感图像目标检测系统技术方案

本发明专利技术公开了一种基于深度学习的遥感图像目标检测系统，涉及图像目标检测技术领域；它的检测方法为：融合成一个整体的模块，该模块用来替代原检测算法中的主干网络ResNet

【技术实现步骤摘要】
一种基于深度学习的遥感图像目标检测系统


[0001]本专利技术属于图像目标检测
，具体涉及一种基于深度学习的遥感图像目标检测系统。

技术介绍

[0002]基于遥感图像的目标检测任务是对图像中特定类别物体的识别与定位，对海域船只管控、环境质量监测、地面规划布局等都有很重要的作用。因此，如何提升目标检测的性能，以获取定位更加精确、分类更加细致的检测结果成为该领域的重点研究内容。遥感图像目标检测任务中定位和识别的首要条件是针对图像的特征进行提取。传统检测方法有模板匹配法、基于区域先验的方法、图像分析法等，这些方法均要手动设计特征，特征的专用性强，不具有跨类别的普适性。
[0003]现如今，我国航天技术飞速发展，遥感技术也在不断的进步提升和成熟，遥感图像的获取相对于之前更加的便捷和高效，具有数据量大、种类丰富、成像清晰、时效性高等特点，非常符合当前社会大数据时代的发展趋势。因此，这为遥感图像检测技术的发展奠定了坚实的基础，可以为深度学习方法提供更多有价值、丰富多样的数据信息。目前，针对遥感图像，可以将深度学习目标检测方法迁移至遥感检测领域。但是由于遥感图像与自然场景图像存在一定的区别，其成像方式不同使得遥感图像具有本身独有的特点，例如分辨率高、目标小且密集排列、背景复杂等。因此，需要对迁移的方法进行有针对性的改进，从而解决遥感图像检测中的难点问题，克服这些关键性的检测难点成为这一领域许多学者的重点研究方向。可见光遥感图像目标检测目前存在的挑战有：1、随着分辨率的提高、成像区域的扩大，可见光遥感图像中存在大量复杂的自然和人造背景，对目标的检测产生严重干扰。2、方向变化大：遥感图像从空中视角进行拍摄，场景为俯视图, 目标以多种角度分布在场景中, 现有多数算法对角度的适应性不高, 在处理多方向问题时不够鲁棒。此外经典的水平框定位方式在对多方向目标进行定位时, 包围框不够紧凑, 定位不够精细。3、遥感图像目标的尺度变化较大，为解决此问题有锚检测器需要设置多种尺度的锚，在锚匹配过程中会引入大量低质量的正样本锚，从而影响检测器的检测精度。4、有锚的检测方法中锚的设计严重依赖人的经验，对数据集有很强的针对性，更换数据集就需要重新设计，缺少泛化性。

技术实现思路

[0004]为解决
技术介绍
中的问题；本专利技术的目的在于提供一种基于深度学习的遥感图像目标检测系统。
[0005]本专利技术的一种基于深度学习的遥感图像目标检测系统，它的检测方法为：融合成一个整体的模块，该模块用来替代原检测算法中的主干网络ResNet
‑
101，(1)、输入图像；(2)、HRNet高分辨率网络；(3)、类FPN结构进行特征融合；(4)、通道域注意力机制；(5)、空间域注意机制；(6)、特征图；(7)：(7.1)、关键点预测；(7.2)、极坐标系的极径，极角预测；(8)：(8.1)、获取极点坐标（x,y），(8.2)、获取极径和极角；(9)、最终输出目标预测框。
[0006]与现有技术相比，本专利技术的有益效果为：一、针对遥感图像的众多检测难点将其整合成一种适合遥感图像目标检测方法来实现快速检测，同时减少了检测的工作量，缩短时间。
[0007]二、能够实现准确的目标检测，并且网络检测精度更高。
附图说明
[0008]为了易于说明，本专利技术由下述的具体实施及附图作以详细描述。
[0009]图1为原P
‑
RSDet框架的示意图；图2为本专利技术中改进后的简要网络结构流程图；图3为本专利技术中总体网络结构示意图；图4为本专利技术中BottleNeck和BasicBlock结构示意图。
具体实施方式
[0010]为使本专利技术的目的、技术方案和优点更加清楚明了，下面通过附图中示出的具体实施例来描述本专利技术。但是应该理解，这些描述只是示例性的，而并非要限制本专利技术的范围。本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
能涵盖的范围内。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本专利技术的概念。
[0011]在此，还需要说明的是，为了避免因不必要的细节而模糊了本专利技术，在附图中仅仅示出了与根据本专利技术的方案密切相关的结构和/或处理步骤，而省略了与本专利技术关系不大的其他细节。
[0012]本具体实施方式采用以下技术方案：如图1所示，针对原框架P
‑
RSDet关键点检测方法提出一种提升检测精度的方案。融合成一个整体的模块，该模块用来替代原检测算法（P
‑
RSDet）中的主干网络ResNet
‑
101。预计改进前后的网络结构：如图2、3所示；在图3所示的特征提取网络中，框中1内部特征图的变换使用的BottleNeck，见图4左半部分，框中2、3、4内部特征图的变换使用的是BasicBlock，见图4右半部分。上采样采用的是双线性插值法，后面接一个1X1的卷积调整通道数，下采样采用的是步长为2，卷积核尺寸为3X3的卷积。在类FPN（特征金字塔）结构特征融合网络中，对于尺寸较小的目标，包含更多图像底层信息与细节信息的偏中下层的金字塔层级往往会有更好的检测效果，这些图层的分辨率更高，对图像的整体信息的感知度也更高。那么可以推测的是，在遥感图像中，这些偏中下层的金字塔层级将会有更大的发挥空间。于是，保留了经典特征金字塔网络每一层级的生成方式，并在其基础上添加了一些分支，即在中下层的金字塔层级中再添加上层金字塔的信息，也就是融合其上采样后的特征图，来添加更多的抽象语义信息。认为在底层信息的基础上添加高层特征是很有必要的，对遥感图像的复杂场景以及巨大的目标尺度跨度来说，融合高层语义信息会有不错的效果。这样，在低级特征图中不仅包含了原有的底层图像信息与细节特征，在高级语义特征的注入后，对目标的感知能力也会大大加强。通过多层金字塔的融合结构，使得整个网络对小尺寸目标以及尺寸变化大的目标有了更强的适应
性。
[0013]对于本领域技术人员而言，显然本专利技术不限于上述示范性实施例的细节，而且在不背离本专利技术的精神或基本特征的情况下，能够以其他的具体形式实现本专利技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本专利技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本专利技术内。
[0014]此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的遥感图像目标检测系统，其特征在于：它的检测方法为：融合成一个整体的模块，该模块用来替代原检测算法中的主干网络ResNet
‑
101，(1)、输入图像；(2)、HRNet高分辨率网络；(3)、类FPN结构进行特...

【专利技术属性】
技术研发人员：孟庆松，张海，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：