遥感图像目标检测方法技术

本发明专利技术涉及遥感图像目标检测方法，包括获取至少一幅包含待测目标的卫星遥感图像，利用卷积神经网络提取卫星遥感图像的多尺度特征，根据嵌入掩膜引导特征金字塔网络学习前景目标区域的特征，并生成用于提取原始图像中疑似目标区域的旋转候选框，利用旋转RoIAlign对齐操作对疑似目标区域进行特征提取，将提取到的特征送入由Smooth

【技术实现步骤摘要】
遥感图像目标检测方法


[0001]本专利技术涉及卫星
，具体涉及一种遥感图像目标检测方法。

技术介绍

[0002]复杂场景光学遥感图像目标检测是利用可见光遥感图像从港口、机场等复杂场景中自动提取一个或者多个典型人造目标(如飞机、车辆、桥梁等)的位置及类别信息，在民用和军用都有着广泛的应用。在民用方面，遥感目标检测被广泛应用于环境污染监测、灾害监测等领域。在军用方面，遥感图像目标自动检测技术已成为侦察与预警的重要手段。利用光学遥感图像对军事设施(如机场、港口等)和时敏目标(如飞机、舰船等)进行精准检测和监控，可对国防安全等军事应用起到关键作用。然而，受光照、云雾等环境因素干扰，目标形状模糊易漏检以及复杂地面背景中存在大量与目标外观相似的形似干扰物易虚警。
[0003]针对背景强干扰问题，当前大多数工作主要围绕旋转框定位、视觉显著注意力机制、图像分割与上下文特征信息提取等方面来增强目标特征信息，避免背景像素过多地干扰目标检测。然而，上述方法所采用的分类损失函数没有显式地对分类特征进行优化来增强类内样本的紧凑性和类间样本的多样性，导致检测模型无法学习强区分性特征用于区分形似干扰物和目标。

技术实现思路

[0004]有鉴于此，本专利技术提出一种遥感图像目标检测方法，用于解决复杂场景中背景强干扰对检测网络定位与识别精度的影响，提升遥感目标检测网络的抗背景干扰能力。
[0005]本专利技术实施例的遥感图像目标检测方法，包括：
[0006]S100，获取至少一幅包含待测目标的卫星遥感图像；
[0007]S200，以Resnet101为主干网络，提取所述卫星遥感图像的降采样4、8、16、32倍的特征C2、C3、C4、C5；
[0008]S300，根据特征金字塔网络的生成规则，对特征C2、C3、C4、C5进行融合处理，得到多尺度特征P2、P3、P4、P5、P6；
[0009]S400，根据嵌入掩膜引导所述特征金字塔网络学习前景目标区域的特征生成新的多尺度特征(A
i
|i＝2，
…
，6}，并抑制背景噪声；
[0010]S500，根据多尺度特征{A
i
|i＝2，
…
，6}生成用于提取原始图像中疑似目标区域的旋转候选框；
[0011]S600，根据RoIAlign对所述疑似目标区域进行特征提取，将提取到的特征送入有向检测头；
[0012]S700，在所述有向检测头中加入角度回归参数，并采用Smooth
‑
L1回归损失函数进行回归定位；
[0013]S800，所述有向检测头通过特征和权重归一化将原始Softmax分类损失转换为余弦损失，并在余弦角度空间加入边距惩罚；
[0014]根据本专利技术的优选实施例，所述S100中，所述卫星遥感图像大小为608
×
608；
[0015]且在所述S100之后，和所述S200之前，还包括对所述卫星遥感图像进行标准差归一化处理。
[0016]根据本专利技术的优选实施例，所述S400包括：
[0017]S410，以特征P3为标准，使用最大值池化对特征P3进行降采样，并使用插值上采样操作对特征(P4，P5，P6)分别进行上采样运算，使得调整后的多尺度特征的图像尺寸均与特征P3保持一致；
[0018]S420，采用求平均运算进行特征融合，得到融合后的归一化特征：
[0019][0020]S430，采用ECA机制对特征F
Scale
的所有通道特征进行加权，得到中间特征F
IF
；
[0021]S440，将中间特征F
IF
分成两条分支，分别为语义分割预测分支和语义注意力特征生成分支；
[0022]S450，在所述语义注意力特征生成分支中，附加一层1
×
1卷积层对中间特征F
IF
进行卷积特征提取，得到语义注意力特征F
SEA
；
[0023]S460，将语义注意力特征F
SEA
与归一化特征F
Scale
进行逐像素相乘运算，得到语义增强特征F
SE
；
[0024]S470，使用最大值池化和上采样操作对特征F
SE
进行反向尺度调整，生成多尺度特征
[0025]S480，根据ResNet网络的跳跃连接对多尺度特征和多尺度特征{P
i
|i＝2，
…
，6}对应相加，生成多尺度特征图{A
i
|i＝2，
…
，6}。
[0026]根据本专利技术的优选实施例，所述S430
‑
S460的过程根据下式进行：
[0027][0028]其中，ECA(
·
)表示ECA机制，Conv1×1(
·
)表示一个卷积核为1
×
1和通道数为256的卷积层，
⊙
表示哈达玛积运算。
[0029]根据本专利技术的优选实施例，所述S480根据下式进行：
[0030][0031]根据本专利技术的优选实施例，所述S800包括：
[0032]S810，计算Softmax回归预测的属于类别c的条件概率：
[0033]计算公式为：
[0034][0035]其中，x
i
是给定的输入候选区域，z
i
是候选区域x
i
经过旋转RoI对齐操作和全连接层输出的特征向量，y
i
∈{1，2，
…
，K}是特征z
i
对应的类别标签，和分别表示权重矩阵的第y
i
列和第j列的权重向量，和表示偏置；
[0036]根据Softmax交叉熵损失衡量网络模型输出和真实标签之间的差异，公式为：
[0037][0038]其中，N为训练样本的数量；
[0039]S820，对权重矩阵W和特征z
i
的模长进行l2归一化处理，并将和设置为0，得到和||z
i
||＝1，使权重矩阵W和z
i
的内积等于余弦相似度，公式为：
[0040][0041]其中，θ
j
＝∠(W
j
，z
i
)表示权重矩阵W与特征z
i
之间的夹角；
[0042]则L1转换为：
[0043][0044]其中，s表示缩放因子；
[0045]S830，在权重矩阵W和输入特征z
i
之间的余弦角度空间加入边距m，则ArcFace损失函数表示为：
[0046][0047]其中，边距m等同于归一化超球面中的测地距离间隔。
[0048]本专利技术实施例在特征金字塔中嵌入掩膜引导功能，利用真实标注框生成的伪掩膜标签引导网络特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遥感图像目标检测方法，其特征在于，所述遥感图像目标检测方法包括：S100，获取至少一幅包含待测目标的卫星遥感图像；S200，以Resnet101为主干网络，提取所述卫星遥感图像的降采样4、8、16、32倍的特征C2、C3、C4、C5；S300，根据特征金字塔网络的生成规则，对特征C2、C3、C4、C5进行融合处理，得到多尺度特征P2、P3、P4、P5、P6；S400，根据嵌入掩膜引导所述特征金字塔网络学习前景目标区域的特征生成新的多尺度特征{A
i
|i＝2，
…
，6}，并抑制背景噪声；S500，根据多尺度特征{A
i
|i＝2，
…
，6}生成用于提取原始图像中疑似目标区域的旋转候选框；S600，根据RoIAlign对所述疑似目标区域进行特征提取，将提取到的特征送入有向检测头；S700，在所述有向检测头中加入角度回归参数，并采用Smooth
‑
L1回归损失函数进行回归定位；S800，所述有向检测头通过特征和权重归一化将原始Softmax分类损失转换为余弦损失，并在余弦角度空间加入边距惩罚；S900，根据分类分支和回归分支的判别结果输出目标的类别和空间位置信息。2.根据权利要求1所述的遥感图像目标检测方法，其特征在于，所述S100中，所述卫星遥感图像大小为608
×
608；且在所述S100之后，和所述S200之前，还包括对所述卫星遥感图像进行标准差归一化处理。3.根据权利要求1所述的遥感图像目标检测方法，其特征在于，所述S400包括：S410，以特征P3为标准，使用最大值池化对特征P3进行降采样，并使用插值上采样操作对特征(P4，P5，P6)分别进行上采样运算，使得调整后的多尺度特征的图像尺寸均与特征P3保持一致；S420，采用求平均运算进行特征融合，得到融合后的归一化特征：S430，采用ECA机制对特征F
Scale
的所有通道特征进行加权，得到中间特征F
IF
；S440，将中间特征F
IF
分成两条分支，分别为语义分割预测分支和语义注意力特征生成分支；S450，在所述语义注意力特征生成分支中，附加一层1
×
1卷积层对中间特征F
IF
进行卷积特征提取，得到语义注意力特征F
SEA
；S460，将语义注意力特征F
SEA
与归一化特征F
Scal...

【专利技术属性】
技术研发人员：贺广均，唐玮，梁颖，冯鹏铭，王轲，刘世烁，田路云，郑琎琎，
申请(专利权)人：北京卫星信息工程研究所，
类型：发明
国别省市：