一种小样本遥感影像目标检测方法、系统、计算机及可读存储介质技术方案

本发明专利技术提供了一种小样本遥感影像目标检测方法、系统、计算机及可读存储介质，采用迁移学习策略进行小样本模型的训练和检测，实现源域特征向目标域特征的迁移和提取，采用CBAM注意力机制优化特征提取骨干网络，解决了遥感图像目标尺寸小表征困难的问题，实现了目标特征的高精度提取与表征；此外，在原有分类头和回归头的基础上，增加了监督对比学习头的监督对比学习损失，从而减小类内差，增大类间差，实现了遥感舰船目标的精细类别识别。本发明专利技术能实现长尾小样本类别的高精度分类，能有效实现大类别内的型号细分。别内的型号细分。别内的型号细分。

【技术实现步骤摘要】
一种小样本遥感影像目标检测方法、系统、计算机及可读存储介质


[0001]本专利技术涉及遥感卫星影像处理技术，具体涉及一种小样本遥感影像目标检测方法、系统、计算机及可读存储介质。

技术介绍

[0002]近年来，随着遥感技术的发展和广泛应用，地球观测数据量迅速增加。然而，对于这些数据进行仔细分析后，发现存在明显的样本不平衡和长尾效应，其中某些类别的数量非常少。这导致在机器学习目标检测和识别中，针对数据量较大的类别时，准确率较高，而针对长尾少数据小样本类别时，识别准确率存在明显下降。而这些小样本数据的类别恰恰是整个任务不可或缺的关键目标，在有些典型场景下非常重要，因此发展小样本遥感影像目标检测和识别方法是利用光学遥感影像的关键一步。
[0003]近几年来，模拟人类学习方式的小样本目标检测已经引起越来越多的关注。小样本检测的主要技术方案有元学习、迁移学习和半监督学习等。元学习在小样本识别领域效果较好，也得到了很大的发展。迁移学习自19年起发展较为迅速，超越了元学习策略成为新的SOTA。半监督学习主要应用于有大量未标注数据的场景，能够充分发挥无标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小样本遥感影像目标检测方法，其特征在于，包括如下步骤：步骤1，将VOC2007数据集和VOC2012数据集的标准训练集的光学数据大量样本作为基础模型训练样本，将VOC2007数据集的测试集作为基础模型测试样本；步骤2，基于Faster RCNN网络进行基础模型训和测试，选取性能最好的基础模型；步骤3，基于选取的基础模型，在C4后串联CBAM注意力模块，在头部操作模块中增加监督对比学习分支，并将分类分支处理模块的RoIPooling操作替换为RoIAlign操作，据此构建遥感影像小样本目标检测模型；步骤4，从高分二号遥感全色数据裁剪出有目标的切片，利用LabelImg2软件进行切片图像的标注，记录每个目标的类别、位置坐标，包含目标的左上x、y坐标和右下x、y坐标，据此构建5类10样本的遥感全色小样本数据集；步骤5，在网络整体损失函数中增加对比学习编码损失，训练遥感影像小样本目标检测模型，用于小样本遥感影像的目标检测。2.根据权利要求1所述的小样本遥感影像目标检测方法，其特征在于，步骤3，基于选取的基础模型，在C4后串联CBAM注意力模块，在头部操作模块中增加监督对比学习分支，并将分类分支处理模块的RoIPooling操作替换为RoIAlign操作，据此构建遥感影像小样本目标检测模型，其中：CBAM注意力结构分为通道注意力结构和空间注意力结构两个部分，两者串行级联，其中通道注意力结构首先对C4模块的输出特征进行平均池化和最大池化以实现特征空间维度的压缩，之后将两个空间维度压缩后的特征输入全连接多层感知机MLP结构，之后对MLP结构的输出进行逐元素求和合并操作，通过out模块输出产生的通道注意力图；空间注意力对out模块的输出特征进行平均池化和最大池化，然后将得到的两个通道数为1的特征图进行拼接合成，空间注意力的输出特征级联到后续Resnet特征提取网络结构的C5模块。3.根据权利要求1所述的小样本遥感影像目标检测方法，其特征在于，步骤3，基于选取的基础模型，在C4后串联CBAM注意力模块，在头部操作模块中增加监督对比学习分支，并将分类分支处理模块的RoIPooling操作替换为RoIAlign操作，据此构建遥感影像小样本目标检测模型，其中：监督对比学习分支将ROI特征先进行展平操作，之后经过全连接层，将其转化为1*1024维度，1*1024维度的ROI特征向量经过线性层、relu层和线性层组成的多层感知...

【专利技术属性】
技术研发人员：卢东东，仇晓兰，李翀，铁雯婕，李杭，张顺，
申请(专利权)人：苏州空天信息研究院，
类型：发明
国别省市：