【技术实现步骤摘要】
基于超分辨特征聚合的光学遥感图像目标检测方法
[0001]本专利技术涉及图像处理
，特别是涉及一种基于超分辨特征聚合的光学遥感图像目标检测方法。
技术介绍
[0002]传统的光学遥感图像目标检测算法都是以区域选择
‑
特征提取
‑
分类器为主线的方法。然而，随着卫星数量的增多、重访周期的缩短、图像分辨率的提高，遥感图像数据量越来越大，且随着新卫星的升空，数据量还将会不断增加。传统目标检测算法难以满足实时性和准确性的要求，而随着深度学习的发展，深度神经网络由于其强大的自动提取特征的能力，使得其在遥感图像目标检测任务中被广泛运用。相比于传统光学遥感图像目标检测算法，基于深度学习的方法解决了传统检测算法适应性不高、对背景模型的更新要求高、提取特征鲁棒性差和检测的实时性差等缺点。
[0003]光学遥感图像不同于普通光学图像，其差异性主要体现在传感器和拍摄角度上。普通光学图像所拍摄的事物大多分布在垂直方向，并且往往目标会占据整幅图的大面积区域，整幅图像的语义信息较为简单。而光学遥感图像的情...
【技术保护点】
【技术特征摘要】
1.一种基于超分辨特征聚合的光学遥感图像目标检测方法，其特征在于，包括：步骤S1，将光学遥感图像进行降采样输入进图像超分辨网络中，进行训练，得到的网络作为SISR模块的超分网络；步骤S2，将光学遥感图像输入至SISR模块，得到超分辨后的图像；步骤S3，将光学遥感图像输入至用作提取图像特征信息的骨干模块，生成多尺度和多层次的特征；步骤S4，利用多尺度特征，引入辅助特征超分辨模块，重建高分辨率图像，与步骤S2中SISR模块得到的超分辨图像进行对比，以指导空间维度上的骨干网络的学习；步骤S5，利用辅助特征超分辨模块，进行多尺度特征的融合，得到用于检测的超分辨特征；步骤S6，利用骨干模块生成的多尺度特征，引入特征金字塔网络，得到用于检测大、中、小目标的特征图，超分辨特征与特征金字塔中用于检测小目标的特征图进行融合，并通过特征聚合模块，获得用于检测的超分辨特征；将用于检测大、中、小目标的特征图及超分辨特征一同输入进检测头进行目标检测，得到最终的检测结果。2.根据权利要求1所述的基于超分辨特征聚合的光学遥感图像目标检测方法，其特征在于，步骤S1具体包括如下步骤：步骤S1.1，将输入的光学遥感图像利用双线性插值进行降采样，获得原图二分之一分辨率的图像，记为LR，原图记为HR，输入进图像超分辨网络中；步骤S1.2，单图超分辨模块中的图像超分辨网络选取EDSR网络，该网络由卷积层与若干残差模块构成，通过上采样及卷积计算后，得到超分辨的图像；将LR图像输入至EDSR网络中，得到其超分输出Low_SR；通过Low_SR与HR计算L1 Loss，实现对超分辨网络的训练。3.根据权利要求2所述的基于超分辨特征聚合的光学遥感图像目标检测方法，其特征在于，步骤S2具体为：将输入图片输入至训练好的EDSR网络中，即单图超分辨模块，输出得到超分辨之后的图像，记为SR。4.根据权利要求3所述的基于超分辨特征聚合的光学遥感图像目标检测方法，其特征在于，步骤S3具体包括如下步骤：步骤S3.1，CSPnet被用作提取特征信息的骨干网络，它由CBS组件及CSP模块构成；CBS由卷积、批量归一化和激活函数SiLu的操作构成，CSP则将上一层的特征图复制成两个分支，之后通过1
×
1的卷积将通道数减半；两份特征图，一份被连接到阶段的末尾，一份被送入ResNet块或CBS模块作为输入；这两份特征图串联起来，进行合并；步骤S3.2，图像输入至骨干网络中，经过多次卷积进行特征提取，生成多尺度和多层次的特征，选取合适的高中低三层尺度不一的特征图，记为F3、F2、F1，作为之后辅助超分辨模块及检测模块的输入。5.根据权利要求4所述的基于超分辨特征聚合的光学遥感图像目标检测方法，其特征在于，步骤S4具体包括如下步骤...
【专利技术属性】
技术研发人员：徐洋，壮志岩，吴泽彬，韦志辉，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。