基于自适应多层级融合的遥感图像小尺度面目标检测方法技术

本发明专利技术公开了一种基于自适应多层级融合的遥感图像小尺度面目标检测方法，所述方法包括如下步骤：步骤1：使用主干特征提取网络提取输入图像的浅层和深层的多层级特征图，下采样层级分别为4、8、16、32倍；步骤2：使用自适应融合权重的多层次特征提取架构实现对步骤1中不同下采样级数特征的融合；步骤3：选用融合后的下采样级数为4倍和8倍的高分辨率特征层进行目标位置和类别信息的预测，得到最终的检测结果。该方法能够实现对不同层级中语义和结构信息的有效融合，提高网络对小尺度目标的特征提取和检测定位能力，有效减少场景中虚警源对目标检测的干扰，从而实现遥感图像小尺度目标的高检测率、低虚警率的检测。低虚警率的检测。低虚警率的检测。

【技术实现步骤摘要】
基于自适应多层级融合的遥感图像小尺度面目标检测方法


[0001]本专利技术属于目标探测与识别
，涉及一种面向遥感图像小尺度面目标的检测方法，具体涉及一种基于自适应多层级特征融合的遥感图像小尺度面目标检测方法。

技术介绍

[0002]遥感图像目标检测作为遥感图像解译领域的一项关键技术，通过提取航空航天遥感数据中目标与背景的差异性特征实现对感兴趣区域或目标实例的有效分类和准确定位，在海上及时营救、交通智能管理、区域实时监控等军民应用中发挥着关键作用。遥感图像分辨率的不断提升，使得船只、车辆等更小尺度的人造物体的检测识别成为可能。
[0003]早期的检测方法针对不同种类的目标需要人为设计图像特征提取算子，其中车辆等小尺度面目标常用的特征包括几何轮廓特征、纹理边缘特征、对称性特征等。但是此类人工设计的特征容易受到光照、尺度、颜色等因素的影响，对目标特性的表征能力有限，仅能适用于特定场景下的目标检测。随着硬件计算能力的提升和数据样本的激增，基于神经网络的目标检测方法可以通过对图像特征的自适应挖掘，学习到目标的更具鲁棒性的、强表征能力的特征。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应多层级融合的遥感图像小尺度面目标检测方法，其特征在于所述方法包括如下步骤：步骤1：使用主干特征提取网络提取输入图像的浅层和深层的多层级特征图，下采样层级分别为4、8、16、32倍；步骤2：使用自适应融合权重的多层次特征提取架构实现对步骤1中不同下采样级数特征的融合；步骤3：选用融合后的下采样级数为4倍和8倍的高分辨率特征层进行目标位置和类别信息的预测，得到最终的检测结果。2.根据权利要求1所述的基于自适应多层级融合的遥感图像小尺度面目标检测方法，其特征在于所述步骤1的具体步骤如下：对于输入的遥感图像，通过主干特征提取网络提取遥感图像中的浅层和深层的多层级特征图，分别提取到下采样层级为4、8、16、32倍的特征图，记为P2、P3、P4、P5层级。3.根据权利要求1或2所述的基于自适应多层级融合的遥感图像小尺度面目标检测方法，其特征在于所述主干特征提取网络为CspDarknet53、ResNet或DenseNet。4.根据权利要求1所述的基于自适应多层级融合的遥感图像小尺度面目标检测方法，其特征在于所述步骤2的具体步骤如下：融合通过自顶向下和自底而上的路径分别传递高层级语义和低层级定位信息，在自顶向下的融合路径中，对于第n个层级的特征图F
n
，其长、宽、通道数目记为(H,W,C)，需要融合第n+1个更深层级的特征图F
n+1
，其长、宽、通道数目记为(H/2,W/2,C)；步骤2
‑
1：利用CARAFE上采样算子实现深层级特征图上采样以实现语义信息的聚合，具体步骤如下：对F
n+1
进行上采样以实现语义信息的聚合，得到高层级特征图其长、宽、通道数目记为(H,W,C)；步骤2
‑
2：基于深层级特征监督的浅层级特征图修正，具体步骤如下：以高层级特征图作为监督对浅层级特征图F
n
进行微调，通过高层级语义特征修正富含噪声的低层级特征，通过Sigmoid非线性激活函数处理得到修正权值图，再将其施加到浅层级特征图F
n
上，得到低层级特征图步骤2
‑
3：基于空间维和通道维特征显著性结合广播机制自适应生成逐点融合权重，实现对深层和浅层特征的融合。5.根据权利要求4所述的基于自适应多层级融合的遥感图像小尺度面目标检测方法，其特征在于所述上采样方法为插值、反卷积或CARAFE算子。6.根据权利要求4所述的基于自适应多层级融合的遥感图像...

【专利技术属性】
技术研发人员：施天俊，巩晋南，胡建明，智喜洋，孙钰，江世凯，张伟，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：