基于三元特征融合的变尺度遥感图像目标检测方法技术

本发明专利技术提供了一种基于三元特征融合的变尺度遥感图像目标检测方法，在对构建变尺度遥感图像目标检测模型训练完成之后，对待检测遥感图像，通过训练好的变尺度遥感图像目标检测模型中的主干网路从待检测遥感图像中提取多尺度特征图，之后采用三元特征融合网络整合来自不同尺度特征信息，然后采用特征自膨胀网络进行特征图尺度调整，增强深层特征的语义表征能力，最后通过检测头网络输出目标位置的预测框，从而解码得到目标在所述待测遥感图像中的具体位置，本发明专利技术可以提高预测目标在遥感图像中的具体位置的准确性。中的具体位置的准确性。中的具体位置的准确性。

【技术实现步骤摘要】
基于三元特征融合的变尺度遥感图像目标检测方法


[0001]本专利技术属于遥感图像目标识别
，具体涉及一种基于三元特征融合的变尺度遥感图像目标检测方法。

技术介绍

[0002]遥感是在模拟人类视觉系统基础上发展起来的一种高科技观测技术，其无论是在军事还是民用领域都拥有着极为广阔的应用前景。随着科学技术的发展，近年来，光学遥感图像技术的成熟也使得遥感目标检测技术进一步发展。遥感目标检测是从复杂的航空图像中预测一系列带有类别标签的边界盒，是光学遥感图像理解中的一个基本问题，具有重要的应用价值。目前，遥感目标检测已广泛应用于城市环境监测、土地利用规划、森林火灾监测、交通流管理等领域。然而，快速有效地利用遥感图像信息来实现更精确的多尺度目标检测仍然是一项挑战，小物体的漏检和非目标物体的误检是当下亟待解决的难题。为更好完成识别任务，需要一种在复杂背景下更准确识别小物体的多尺度目标检测方法。
[0003]目前，最先进的遥感目标检测方法大都基于深度学习技术，与传统的手工制作基于特征的方法相比，基于深度学习的目标检测方法可以同时学习到图像的低级细节本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于三元特征融合的变尺度遥感图像目标检测方法，其特征在于，包括：步骤1：获取遥感图像组成的数据集以及待测遥感图像；其中，所述数据集分为训练集以及测试集，所述数据集中的每个遥感图像都包含至少一个用于标注目标位置的锚框；步骤2：根据每个锚框生成预测目标所在位置的多个先验框；步骤3：获取基于三元特征融合，构建的变尺度遥感图像目标检测模型；步骤4：将所述数据集中的每个遥感图像作为训练样本，并基于所有训练样本以及所述先验框对所述变尺度遥感图像目标检测模型进行迭代训练，获得训练好的变尺度遥感图像目标检测模型；步骤5：使用训练好的变尺度遥感图像目标检测模型对所述待测遥感图像进行检测，获得标注目标具体位置的预测框；步骤6：对所述预测框进行解码获得目标的真实坐标位置。2.根据权利要求1所述的基于三元特征融合的变尺度遥感图像目标检测方法，其特征在于，在步骤2之前，所述基于三元特征融合的变尺度遥感目标检测方法还包括：对所述数据集以及所述待测遥感图像分别进行预处理，以使所述数据集中的遥感图像以及所述待测遥感图像均为固定尺寸。3.根据权利要求1所述的基于三元特征融合的变尺度遥感图像目标检测方法，其特征在于，所述步骤2包括：步骤2a：在所有的锚框中随机挑选预设数量个锚框作为簇中心；步骤2b：计算每个锚框与其他锚框的距离；步骤2c：确定每个锚框最近的簇中心，将该锚框分配至该簇中；步骤2d：根据锚框之间的距离，重新更新簇中心；步骤2e：将更新后的簇中心作为预测目标所在位置的先验框。4.根据权利要求1所述的基于三元特征融合的变尺度遥感图像目标检测方法，其特征在于，步骤3中的变尺度遥感图像目标检测模型包括：依次相连的特征提取主干网络、三元特征融合网络、特征自膨胀网络以及检测头网络；所述特征提取主干网络由多层卷积层构成，所述三元特征融合网络包括上采样网络、局部特征显著性增强网络和特征融合网络，其中，所述特征提取主干网络，用于执行多次下采样操作，从而从输入图像中提取多个尺度特征图像，并输入至所述上采样网络、所述局部特征显著性增强网络以及所述特征融合网络；所述上采样网络，用于对输入的尺度特征图像通过上采样操作向浅层网络传递深层语义信息，并将深层语义信息输入至所述特征融合网络；所述局部特征显著性增强网络，用于对输入的尺度特征图像通过降采样操作向深层网络传递浅层重点局部细节信息，并将浅层重点局部细节信息输入至所述特征融合网络；所述特征融合网路，用于将深层语义信息、浅层重点局部细节信息以及三元特征融合网络输入的尺度特征进行三元拼接操作，获得保留局部重点特征和深层语义特征的融合特征图，并将所述融合特征图分别输入所述特征自膨胀网络；所述特征自膨胀网络，用于根据所述融合特征图的类别偏向以及空间偏向生成膨胀系数，并根据所述膨胀系数对所述融合特征图进行微调，获得判别性特征，并将判别性特征输入至所述检测头网络；所述检测头网络，用于对每个判别性特征对应的特征图
中的每个像素设置多个所述先验框，计算每个先验框对应的相关参数，根据所述相关参数生成设置的先验框的预测值，按照所述预测值对对应的先验框进行矫正，获得多个预测框，保留所述预测框中置信度排序在预设数量内的预测框，并使用NSM算法过滤掉重叠度超过重叠度阈值的预测框，得到预测目标所在位置的预测框。5.根据权利要求4所述的基于三元特征融合的变尺度遥感图像目标检测方法，其特征在于，所述特征提取主干网络执行5次上采样操作，得到5个尺度特征图像：f0,f1,f2,f3和f4，针对尺度特征图f
s
，将尺度特征图f
s
输入至所述特征融合网络，将尺度特征图f
s+1
输入至上采样网络，将特征图f
s
‑1馈送至局部特征显著性增强网络；所述上采样网络，用于对尺度特征图f
s+1
进行上采样得到特征图f
′
s+1
，并使f
′
s+1
与尺度特征图f
s
尺寸一致，获得特征图f
u
；所述局部特征显著性增强网络，用于对尺度特征图f
s
‑1进行降采样，获得与尺度特征图f
s
尺寸一致的特征图f
d
；所述特征融合网络，用于将特征图f
u
、特征图f
d
以及尺度特征图f
s
进行三元拼接操作，获得保留局部重点特征和深层语义特征的融合特征图p
s
，并将融合特征图p
s
输入至对应的特征自膨胀网络中；其中，s为2至4的正整数。6.根据权利要求5所述的基于三元特征融合的变尺度遥感图像目标检测方法，其特征在于，所述局部特征显著性增强网络包括：局部增强网络和空间重打分网络；所述...

【专利技术属性】
技术研发人员：马文萍，陈浩，朱浩，武越，李腾武，邬一婷，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：