一种轻量化多尺度遥感图像旋转目标检测方法及系统技术方案

本发明专利技术提供了一种轻量化多尺度遥感图像旋转目标检测方法及系统，针对遥感图像中目标和背景更加复杂的问题，基于YOLOv4模型，在特征融合网络加入了浅层的特征信息；为缓解因网络层数过多造成的特征丢失的问题，使用加权的双向特征金字塔作为特征融合网络；为提高特征的感受野，在特征融合后加入多尺度空洞卷积模块，以此提高检测精度；遥感图像旋转目标检测，长边表示法表示角度参数，使用高斯函数的环形平滑标签将角度参数从回归问题转化为分类问题，减少由于角度周期性带来的损失问题；使用深度可分离卷积和全局注意力模块，设计轻量化模块，在检测模型中替代传统卷积，达到模型轻量化效果。量化效果。量化效果。

【技术实现步骤摘要】
一种轻量化多尺度遥感图像旋转目标检测方法及系统


[0001]本专利技术涉及一种轻量化多尺度遥感图像旋转目标检测方法及系统，属于遥感图像应用领域，适用于遥感图像目标提取。

技术介绍

[0002]遥感卫星和无人机的快速发展和使用极大的提高了遥感图像的获取速度，海量的遥感图像为灾害控制、交通规划，生态环境监测、地形勘察等提供了丰富信息。如何高效的从海量图像中获得重要的信息成为当前研究的热点。近年来基于深度学习的目标检测在传统图像领域取得了很大的成功，但适用于自然图像的目标检测算法在遥感图像上不一定表现出较好的性能。故不能直接将自然图像的检测算法应用到遥感图像目标检测上来，其原因在于(1)与自然图像相比，遥感图像的更加复杂，图像图幅大，图像目标尺度相对较小，相对大幅遥感图像为小目标，且排列密集；(2)遥感图像俯视拍摄，目标呈任意方向分布；(3)目标检测模型大多参数量巨大，模型复杂，实际应用中对硬件要求高。

技术实现思路

[0003]本专利技术解决的技术问题：克服现有技术针对遥感图像图幅大，影像目标尺度差异大，多数为小目标而存在的不足问题，提供一种轻量化多尺度遥感图像旋转目标检测方法，能够在明显减少模型的参数量和计算量的同时，实现遥感图像的目标位置更具表达性的斜框检测。
[0004]第一方面，一种轻量化多尺度遥感图像旋转目标检测方法，其特征在于包括以下步骤：
[0005]步骤1：将深度可分离卷积和注意机制融合成轻量化网络模块；
[0006]步骤2：对YOLOv4网络进行改进，即使用步骤(1)轻量化网络模块，得到一种基于浅层特征融合的轻量化遥感图像目标检测YOLO
‑
SFF模型，根据此模型进行训练，得到基于水平框的遥感图像目标检测结果；
[0007]步骤3：基于步骤(2)得到基于水平框的遥感图像目标检测结果，设计一种遥感图像旋转目标检测方法，通过此方法得到基于斜框的遥感图像目标检测结果。
[0008]进一步，所述步骤1中轻量化网络模块实现如下：
[0009]步骤(11)：深度可分离卷积是将标准卷积分解为深度卷积和逐点卷积，通过这种分解显著减少计算量，但降低特征提取能力，通道注意力机制模块能训练学习到不同通道特征的重要程度，在深度卷积之后逐点卷积之前加入注意力机制模块，得到轻量化网络模块，减少参数量计算量的同时提高特征提取能力；
[0010]步骤(12)：在检测模型的主干网络中残差模块中3
×
3标准卷积使用轻量化模块，将特征融合模块中3
×
3卷积使用轻量化模块。
[0011]进一步，所述步骤2中，基于浅层特征融合的轻量化遥感图像目标检测YOLO
‑
SFF模型的实现步骤如下：
[0012]步骤(21)：在YOLOv4模型的主干网络原输出的三种降采样特征的基础上增加一种浅层特征，即在8倍降采样特征、16倍降采样特征、32倍降采样特征的基础上，再设计输出4倍降采样特征，一共得到四种尺度特征；
[0013]步骤(22)：根据步骤(21)中得到的四种尺度特征，使用可学习权重双向特征金字塔，其中所述双向特征金字塔中增加同一尺度的横向连接，将四种尺度特征自下而上与四种尺度特征自上而下进行融合，融合后输出8倍降采样特征、16倍降采样特征和32倍降采样特征，完成浅层特征融合，得到三种尺度融合后的特征；
[0014]步骤(23)：对步骤(22)得到的三种尺度融合后的特征使用多尺度空度卷积，扩大目标感受野，并采用自学习权重将多尺度空洞卷积的输入和多尺度空洞卷积结果相加，将相加后的特征输出到检测头中，得到基于浅层特征融合的遥感图像目标检测YOLO
‑
SFF模型；
[0015]步骤(24)：在YOLO
‑
SFF模型的主干网络和特征融合网络中深度可分离卷积和全局注意力机制模块融合的轻量化网络模块，经主干网络和特征融合网络两次轻量化处理，得到基于浅层特征融合遥感图像旋转目标检测轻量化YOLO
‑
SFF模型，最终得到基于水平框的遥感图像目标检测结果。
[0016]进一步，所述步骤3中的一种遥感图像旋转目标检测方法包括：
[0017]步骤(31)：将遥感图像中目标框的八参数(x1,y1),(x2,y2),(x3,y3),(x4,y4)表示法转化为五参数(x
min
,y
min
)，(x
max
,y
max
)，θ表示法，其中使用长边表示法将目标斜框旋转至水平框，得到斜框的旋转角度θ和水平框的左上点右下点的位置坐标(x
min
,y
min
)，(x
max
,y
max
)；
[0018]步骤(32)：使用高斯函数的圆形平滑标签将角度真值θ的转化为长度180的一维数组T；其中在角度θ处数组T的值为1，随着角度从θ向左和向右变化，数组T的值不断变小，直至变成0；
[0019]步骤(33)：在基于浅层特征融合的轻量化遥感图像目标检测YOLO
‑
SFF模型的检测头中增加角度信息的输出，增加180维输出，对应真值角度长度180的一维数组，表示角度的0
‑
180
°
的输出；
[0020]步骤(34)：在损失函数中加入角度信息的交叉熵损失函数，使角度信息在训练中不断收敛，得到角度信息的损失函数；
[0021]步骤(35)：使用斜框的并交比，剔除重叠的检测框，得到基于斜框的遥感图像目标检测结果。
[0022]第二方面，本专利技术提供一种轻量化多尺度遥感图像旋转目标检测系统，包括：轻量化模块、水平框遥感目标检测模块、斜框遥感目标检测模块：
[0023]轻量化模块：在深度可分离卷积的深度卷积之后逐点卷积之前融合全局注意力机制得到轻量化网络模块；
[0024]水平框目标检测模块：将遥感图像经过多层轻量化模块进行特征提取，输出四种不同尺度的特征：4倍降采样特征、8倍降采样特征、16倍降采样特征、32倍降采样特征，将主干网络中输出的4种尺度特征使用轻量化特征融合模块进行特征融合，将浅层特征与深层特征相互融合，输出三种尺度特征:8倍降采样特征、16倍降采样特征、32倍降采样特征，最终基于三种尺度特征得到基于水平框的遥感图像目标检测结果；
[0025]旋转目标检测模块：在特征融合模块后面加入斜框检测模块，使用高斯函数的圆
形平滑标签将角度信息转化为长度为180的一维数组，模型可输出目标的角度分类信息，最终得到基于斜框的遥感图像目标检测结果。
[0026]本专利技术与现有技术相比的优点在于：
[0027](1)在遥感图像检测精度方面，传统检测方法没有针对遥感图像目标小，图像目标尺度差异大的特点，本专利技术提出一种基于YOLOv4改进的目标检测方法。为了增强小目标特征信息，在特征融合网络加入了浅层的特征信息。为缓解因网络层数过多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轻量化多尺度遥感图像旋转目标检测方法，其特征在于，包括以下步骤：步骤1：将深度可分离卷积和注意机制融合成轻量化网络模块；步骤2：对YOLOv4网络进行改进，即使用步骤(1)轻量化网络模块，得到一种基于浅层特征融合的轻量化遥感图像目标检测YOLO
‑
SFF模型，根据此模型进行训练，得到基于水平框的遥感图像目标检测结果；步骤3：基于步骤(2)得到基于水平框的遥感图像目标检测结果，设计一种遥感图像旋转目标检测方法，通过此方法得到基于斜框的遥感图像目标检测结果。2.根据权利要求1所述的轻量化多尺度遥感图像旋转目标检测方法，其特征在于：所述步骤1中轻量化网络模块实现如下：步骤(11)：深度可分离卷积是将标准卷积分解为深度卷积和逐点卷积，通过这种分解显著减少计算量，但降低特征提取能力，通道注意力机制模块能训练学习到不同通道特征的重要程度，在深度卷积之后逐点卷积之前加入注意力机制模块，得到轻量化网络模块，减少参数量计算量的同时提高特征提取能力；步骤(12)：在检测模型的主干网络中残差模块中3
×
3标准卷积使用轻量化模块，将特征融合模块中3
×
3卷积使用轻量化模块。3.根据权利要求1所述的轻量化多尺度遥感图像旋转目标检测方法，其特征在于：所述步骤2中，基于浅层特征融合的轻量化遥感图像目标检测YOLO
‑
SFF模型的实现步骤如下：步骤(21)：在YOLOv4模型的主干网络原输出的三种降采样特征的基础上增加一种浅层特征，即在8倍降采样特征、16倍降采样特征、32倍降采样特征的基础上，再设计输出4倍降采样特征，一共得到四种尺度特征；步骤(22)：根据步骤(21)中得到的四种尺度特征，使用可学习权重双向特征金字塔，其中所述双向特征金字塔中增加同一尺度的横向连接，将四种尺度特征自下而上与四种尺度特征自上而下进行融合，融合后输出8倍降采样特征、16倍降采样特征和32倍降采样特征，完成浅层特征融合，得到三种尺度融合后的特征；步骤(23)：对步骤(22)得到的三种尺度融合后的特征使用多尺度空度卷积，扩大目标感受野，并采用自学习权重将多尺度空洞卷积的输入和多尺度空洞卷积结果相加，将相加后的特征输出到检测头中，得到基于浅层特征融合的遥感图像目标检测YOLO
‑
SFF模型；步骤(24)：在YOLO
‑
SFF模型的主干网络和特征融合网络中深度可分离卷积和全局注意力机制模块融合的轻量化网络模块，经主干网络和特征融合网络两次轻量化处理，得到基于浅层特征融合遥感图像旋转目标检测轻量化YOLO<...

【专利技术属性】
技术研发人员：张爱武，杨志强，
申请(专利权)人：首都师范大学，
类型：发明
国别省市：