一种高分辨率遥感场景下多类别飞机的精细识别方法技术

本发明专利技术公开了一种高分辨率遥感场景下多类别飞机的精细识别方法，涉及图像处理与深度学习领域，包括获取高分辨率遥感图像数据，制作飞机目标数据集；输入待检测的高分辨率遥感图像，对图像进行预处理；训练精细识别模型；将经过预处理的高分辨率遥感图像送入精细识别模型进行检测，得到检测结果；拼接检测结果并映射到原图像中。能够缓解常规目标检测方法对高分辨遥感图像小目标检测困难的问题，具有更精细的分类和定位能力。在遥感场景下更具优势和泛化能力，拥有更强大的检测性能。拥有更强大的检测性能。拥有更强大的检测性能。

【技术实现步骤摘要】
一种高分辨率遥感场景下多类别飞机的精细识别方法


[0001]本专利技术涉及图像处理与深度学习领域，尤其涉及一种高分辨率遥感场景下多类别飞机的精细识别方法。

技术介绍

[0002]近年来，随着遥感技术的不断提升，对地观测的遥感图像数量越来越多，质量越来越高。充足的遥感数据集为基于深度学习的遥感图像研究提供了数据支撑，带动了遥感图像处理的发展。图像处理研究中的一项重要课题是检测图像中需要寻找的指定目标，被称为目标检测。
[0003]与常规场景中的目标检测不同的是，遥感场景下的多类别飞机目标检测难度极大，主要原因分为两部分，一部分是目标本身的原因，检测任务是多类别的飞机检测，部分类别飞机间的差异并不显著，存在大量相似的特征，遥感场景下难以区分；高分辨率遥感图像覆盖范围大，即便自然场景中的属于大型目标的飞机，在遥感图像中也仅占数十像素，在数千万像素的高分辨遥感图像中的占比极低，大型遥感数据集DOTA将像素在10～50的目标定义为小目标，因此仅占数十像素的飞机也属于小目标；另一部分是遥感图像的拍摄原因，卫星与地面相隔千里，中间容易有云层遮蔽，原本在地面容易观测的目标，在云层中若隐若现，难以检测；遥感图像由卫星全天候拍摄，曝光、夜景等情况会严重干扰图像质量，加重检测的难度。
[0004]YOLOv5是一种单阶段目标检测算法，检测速度快、精度较高、模型接口多、易于扩展、适合工业部署，在自然场景中有广泛的运用。不过受限于遥感场景的问题，在自然场景中表现优异的YOLOv5模型也难以在遥感场景中取得良好的检测效果，因此本专利技术对YOLOv5进行改进，提出了一种基于优化YOLOv5的高分辨率遥感场景下多类别飞机的精细识别方法，能够解决上述的问题。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]鉴于上述和/或现有的高分辨率遥感场景下多类别飞机的精细识别方法中存在的问题，提出了本专利技术。
[0007]因此，本专利技术所要解决的问题在于如何提供一种高分辨率遥感场景下多类别飞机的精细识别方法。
[0008]为解决上述技术问题，本专利技术提供如下技术方案：一种高分辨率遥感场景下多类别飞机的精细识别方法，其包括，获取高分辨率遥感图像数据，制作飞机目标数据集；输入待检测的高分辨率遥感图像，对图像进行预处理；训练精细识别模型；将经过预处理的高分辨率遥感图像送入精细识别模型进行检测，得到检测结果；拼接检测结果并映射到原图像
中。
[0009]作为本专利技术所述高分辨率遥感场景下多类别飞机的精细识别方法的一种优选方案，其中：所述飞机目标数据集包括训练集、验证集和测试集，其中训练集和验证集标注了所有飞机目标的位置和类别信息。
[0010]作为本专利技术所述高分辨率遥感场景下多类别飞机的精细识别方法的一种优选方案，其中：所述预处理包括将高分辨率遥感图像进行具有重叠性的滑动窗口裁剪，其中滑动窗口为预设尺寸640
×
640，预设的重叠间隔为100。
[0011]作为本专利技术所述高分辨率遥感场景下多类别飞机的精细识别方法的一种优选方案，其中：所述训练精细识别模型包括在训练时，输入训练集图片作为模型特征学习样本，输入验证集图片作为模型评估和验证样本，其中在评估时，验证指标是各类别目标的平均精度，精度越高，代表模型训练出的权重文件越好，挑选表现最佳的权重文件送入测试集测试。
[0012]作为本专利技术所述高分辨率遥感场景下多类别飞机的精细识别方法的一种优选方案，其中：所述精细识别模型包括，骨干网络、颈部特征融合网络和检测模块；所述骨干网络包括依次设置的卷积组件1、卷积组件2、CSP1_1组件、卷积组件3、CSP1_3组件、卷积组件4、SPPCSPC模块和可变形注意力模块；所述特征融合网络包括与所述可变形注意力模块连接的CSP2_1组件1、依次设置的长条注意力模块1、上采样模块1、第1拼接模块与所述CSP1_3组件连接，得到的拼接结果1经过依次设置的CSP2_1组件2，输入两个方向，一方面经过依次设置的CSP2_1组件2、长条注意力模块2、上采样模块2、第2拼接模块与所述CSP1_1组件连接，得到的拼接结果2经过依次设置的CSP2_1组件3，输入两个方向，一方面经过依次设置的CSP2_1组件3、长条注意力模块3、卷积组件5，第3拼接模块与所述CSP2_1组件2连接，一方面输出到解耦头1；得到的拼接结果3经过依次设置的CSP2_1组件4、一方面输出到解耦头2，另一方面经过长条注意力模块4、卷积组件6，第4拼接模块与所述CSP2_1组件1连接，得出的拼接结果4，经过CSP2_1组件5输出到解耦头3；所述检测模块包括解耦检测头和加权框融合模块。
[0013]作为本专利技术所述高分辨率遥感场景下多类别飞机的精细识别方法的一种优选方案，其中：所述SPPCSPC模块源于YOLOv7，特征提取层数更多，使用两个并行分支，第一层分支使用连续三层卷积组件，然后连接四层不同窗口的最大池化，最后连接两层卷积组件；第二个分支使用单层卷积组件作为简单的短路连接，最终两个分支输出的特征图实现融合。
[0014]作为本专利技术所述高分辨率遥感场景下多类别飞机的精细识别方法的一种优选方案，其中：所述可变形注意力模块通过偏移网络学习多组变形点，再使用双线性插值进行特征采样，获得变形键与变形值，结合变形点计算出的相对位置偏移，送入多头注意力机制，获取全局信息。
[0015]作为本专利技术所述高分辨率遥感场景下多类别飞机的精细识别方法的一种优选方案，其中：所述长条注意力模块实现效果包括，输入特征图，并行送入两个分支；连接注意力机制中的模块，用以增强目标的局部空间信息。
[0016]作为本专利技术所述高分辨率遥感场景下多类别飞机的精细识别方法的一种优选方案，其中：所述卷积组件依次由3
×
3的卷积、批归一化和激活函数构成。
[0017]作为本专利技术所述高分辨率遥感场景下多类别飞机的精细识别方法的一种优选方
案，其中：所述解耦检测头包括首先使用1
×
1的卷积调整通道数，然后使用两个并行的分支，每个分支内是一个3
×
3的卷积，使用1
×
1的卷积再次调整通道后，第一个分支负责目标分类，第二个分支再次分为两个支线，一个负责回归任务，另一个负责判定置信度；所述加权框融合是保留每个目标的最优候选框和两个次优候选框，以三个候选框对应的置信度作为权重，加权调整目标框的位置。
[0018]本专利技术有益效果为能够缓解常规目标检测方法对高分辨遥感图像小目标检测困难的问题。通过压缩网络结构，使网络模型获得更多浅层的特征信息，并使用SPPCSPC与可变形注意力，构建全局关系。针对飞机目标的特点，设计了一种长条注意力机制，来提高挖掘飞机目标局部特征的能力，并使用解耦头检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高分辨率遥感场景下多类别飞机的精细识别方法，其特征在于：获取高分辨率遥感图像数据，制作飞机目标数据集；输入待检测的高分辨率遥感图像，对图像进行预处理；训练精细识别模型；将经过预处理的高分辨率遥感图像送入精细识别模型进行检测，得到检测结果；拼接检测结果并映射到原图像中。2.如权利要求1所述的高分辨率遥感场景下多类别飞机的精细识别方法，其特征在于：所述飞机目标数据集包括训练集、验证集和测试集，其中训练集和验证集标注了所有飞机目标的位置和类别信息。3.如权利要求1或2所述的高分辨率遥感场景下多类别飞机的精细识别方法，其特征在于：所述预处理包括将高分辨率遥感图像进行具有重叠性的滑动窗口裁剪，其中滑动窗口为预设尺寸640
×
640，预设的重叠间隔为100。4.如权利要求3所述的高分辨率遥感场景下多类别飞机的精细识别方法，其特征在于：所述训练精细识别模型包括，在训练时，输入训练集图片作为模型特征学习样本，输入验证集图片作为模型评估和验证样本；在模型评估时，验证指标是各类别目标的平均精度，若精度越高，则代表模型训练出的权重文件越好，挑选表现最佳的权重文件送入测试集测试。5.如权利要求4所述的高分辨率遥感场景下多类别飞机的精细识别方法，其特征在于：所述精细识别模型包括，骨干网络、颈部特征融合网络和检测模块；所述骨干网络包括依次设置的卷积组件1、卷积组件2、CSP1_1组件、卷积组件3、CSP1_3组件、卷积组件4、SPPCSPC模块和可变形注意力模块；所述特征融合网络包括与所述可变形注意力模块连接的CSP2_1组件1、依次设置的长条注意力模块1、上采样模块1、第1拼接模块与所述CSP1_3组件连接，得到的拼接结果1经过依次设置的CSP2_1组件2，输入两个方向，一方面经过依次设置的CSP2_1组件2、长条注意力模块2、上采样模块2、第2拼接模块与所述CSP1_1组件连接，得到的拼接结果2经过依次设置的CSP2_1组件3，输入两个方向，一方面经过依次设置的CSP2_1组件3、长条注意力模块3、卷积...

【专利技术属性】
技术研发人员：丁宁，陆贵荣，王进，张燕新，
申请(专利权)人：常州大学，
类型：发明
国别省市：