基于注意力机制和剪枝的遥感图像快速目标检测方法技术

本发明专利技术提供一种基于注意力机制和剪枝的遥感图像快速目标检测方法。该方法首先在GhostNet中融合了一种简单的注意力机制CBAM(该注意力机制可以集成到任意卷积神经网络中，在有效提高模型检测精度的同时，不给模型带来较大的参数增长)得到GhostNet

【技术实现步骤摘要】
基于注意力机制和剪枝的遥感图像快速目标检测方法


[0001]本专利技术涉及遥感图像信息处理
，尤其涉及一种基于注意力机制和剪枝的遥感图像快速目标检测方法。

技术介绍

[0002]目标检测是指在图像中检测是否存在感兴趣的目标(如行人、车辆、动物等)以及目标的种类、位置、数量等信息。遥感图像目标检测，指在遥感图像中检测感兴趣的目标(如建筑、道路、船舶等)。与自然图像目标检测的不同点在于，遥感图像会受到拍摄角度的影响，同样的目标可能会呈现出不同的旋转角度，且相比于自然图像，遥感图像含有更多的小目标，这些特点使得遥感图像目标检测比自然图像目标检测具有更大的难度。近年来对地观测技术急速发展，遥感图像数据量和分辨率得到了显著提升，极大地增加了遥感图像目标检测的难度。
[0003]截至目前，遥感图像目标检测技术主要经历了传统检测方法和基于深度学习的检测方法两个阶段。遥感图像目标检测算法可以大致分为以下几类：基于模板匹配的方法、基于先验知识的方法、基于对象的图像分析方法、基于传统机器学习的方法、基于深度学习的方法。基于模板匹配的方法由于需要手工设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于注意力机制和剪枝的遥感图像快速目标检测方法，其特征在于，该方法包括如下步骤：S1：获取遥感图像数据，整理数据标签格式得到数据集，并将数据集分为训练集和验证集，对训练集遥感图像进行Mosaic数据增强、自适应锚框计算；S2：选取轻量化特征提取网络GhostNet，在该网络中融合注意力机制模块CBAM，得到融合注意力机制的轻量化特征提取网络GhostNet
‑
CBAM，随后用轻量化特征提取网络GhostNet
‑
CBAM替换目标检测模型YOLOv5中的特征提取网络，得到融合轻量化特征提取网络和注意力机制的轻量化目标检测网络；S3：在步骤S2中得到的轻量化目标检测网络的输出部分添加旋转角度，并在轻量化目标检测网络的损失函数添加一个旋转角度的损失，得到轻量化的旋转框目标检测网络；S4：通过步骤S1中的训练集对步骤S3中得到的轻量化的旋转框目标检测网络进行训练，直到模型收敛，得到训练后的轻量化目标检测模型；S5：将步骤S4中训练后的轻量化目标检测模型中各层卷积中的所有卷积核抽离出来，分别计算其L1范数，将L1范数小于阈值的卷积核去除，随后对剪枝后的模型进行微调，得到经过剪枝的轻量化目标检测模型；S6：采用一种基于RIoU的NMS算法替换步骤S5中剪枝的轻量化目标检测模型中原始NMS算法，用于去除目标检测结果重复目标，得到最终模型；S7：利用该最终模型对新采集的遥感图像进行快速目标检测。2.根据权利要求1所述的基于注意力机制和剪枝的遥感图像快速目标检测方法，其特征在于，步骤S1中对训练集中每一遥感图像进行Mosaic数据增强的具体过程为，将四张初始遥感图像进行随机缩放、随机裁剪、随机排布，再拼接得到一张图像，该图像作为一张训练集图像。3.根据权利要求1所述的基于注意力机制和剪枝的遥感图像快速目标检测方法，其特征在于，步骤S1中对训练集中每一遥感图像进行自适应锚框计算的具体过程为，使用K

【专利技术属性】
技术研发人员：刘仁华，陈都，刘佳，项健健，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：