基于大感受野和注意机制的多尺度高精度轻量化目标检测方法技术

本发明专利技术提供一种基于大感受野和注意机制的多尺度高精度轻量化目标检测方法。该方法包括：步骤1：构建改进的YOLOv7

【技术实现步骤摘要】
基于大感受野和注意机制的多尺度高精度轻量化目标检测方法


[0001]本专利技术涉及遥感图像目标检测
，尤其涉及一种基于大感受野和注意机制的多尺度高精度轻量化目标检测方法。

技术介绍

[0002]遥感图像目标检测是遥感图像处理中的重要任务之一，它可以自动化地从遥感图像中提取出感兴趣的目标，如建筑物、道路、车辆等。在过去，人工目视解译是获取地理信息的主要方式，但随着遥感技术的不断发展和图像处理算法的不断创新，遥感图像目标检测已经成为了高效获取大规模地理信息的重要手段之一。然而，大多目标检测方法参数量较大，检测效率较低，无法在检测精度和参数量之间保持一个较好的平衡。
[0003]许多基于卷积神经网络的检测模型都取得了良好的效果，然而，大部分目标检测方法参数量较大，遥感图像中目标较多检测效率较低，遥感图像中目标尺度的差异较大，遥感图像上的目标检测工作通常面临以下几点挑战：(1)大部分目标检测器参数量较大，增大了硬件成本。(2)遥感图像中目标尺度差异较大，小、中、大等尺度类型目标共存，现有方法主要侧重遥感图像小目标检测的深入研究，却存在对同一遥感图像的中、大型目标检测能力差的问题。(3)遥感图像中许多目标或藏于阴影中或与地面颜色相接近，导致常用的目标检测方法难以将这些目标检测出来。

技术实现思路

[0004]为了能够解决上述问题中的至少一部分，本专利技术提供一种基于大感受野和注意机制的多尺度高精度轻量化目标检测方法。
[0005]本专利技术提供的一种基于大感受野和注意机制的多尺度高精度轻量化目标检测方法，包括：
[0006]步骤1：构建改进的YOLOv7
‑
Tiny网络，包括：将YOLOv7
‑
Tiny网络中的主干网络中新增SimAM注意机制；
[0007]步骤2：采用遥感图像数据集对所述改进的网络进行训练，得到轻量化目标检测模型；
[0008]步骤3：将待测的遥感图像输入至所述轻量化目标检测模型，得到检测结果。
[0009]进一步地，步骤1中，所述新增的SimAM注意机制位于第一个MaxPool层和第二个ELAN模块之间。
[0010]进一步地，将主干网络中的最后两个ELAN模块替换为高效简洁特征提取模块；所述高效简洁特征提取模块的结构采用公式(1)至公式(3)表示：
[0011]Y1＝P
3,1
(P
3,1
(F
1,1
(X)))
ꢀꢀꢀ
(1)
[0012]Y2＝P
3,1
((F
1,1
(X))+σ(SimAM(X)))
ꢀꢀꢀ
(2)
[0013][0014]其中，X代表高效简洁特征提取模块的输入，Y1和Y2分别代表高效简洁特征提取模块中第一分支和第二分支的输出，Y3代表高效简洁特征提取模块的最终输出，F
1,1
代表滤波器大小为1
×
1、步长为1的CBL模块，P
3,1
代表滤波器大小3
×
3、步长为1的PBL模块，SimAM表示SimAM注意机制，σ为Sigmoid激活函数，为Concat操作。
[0015]进一步地，将颈部网络中的SPPCSPC模块替换为空间金字塔池化加强模块；所述空间金字塔池化加强模块的结构包括：第一分支和第二分支；
[0016]在空间金字塔池化加强模块的第一分支中，输入的特征图先经过一个CBL模块，再依次经过三个MaxPool层，接着将经过CBL模块的输出以及三个MaxPool层各自的输出进行Concat操作，最后再经过一个CBL模块处理，得到第一分支的输出；
[0017]在空间金字塔池化加强模块的第二分支中，输入的特征图分别经过一个CBL模块和一个PBL模块，再将二者的输出逐元素相加，得到第二分支的输出；
[0018]将空间金字塔池化加强模块的第一分支和第二分支的输出在通道维度进行拼接，再通过一个CBL模块，得到空间金字塔池化加强模块的最终输出。
[0019]进一步地，所述三个MaxPool层的卷积核尺寸分别为5，9和13；感受野计算公式如下：
[0020][0021]其中，n是第n个卷积，s是其步长大小，r是其对应的感受野，k是卷积核大小。
[0022]进一步地，将颈部网络中的最后两个CBL模块替换为卷积聚合交叉层；所述卷积聚合交叉层的结构采用公式(5)表示：
[0023]O＝SimAM(F
1,1
(AvgPool(X)))+F
3,2
(X)
ꢀꢀꢀ
(5)
[0024]其中，O和X分别表示卷积聚合交叉层的输出和输入，SimAM表示SimAM注意机制，F
3,2
表示一个滤波器大小为3
×
3、步长为2的CBL模块，AvgPool表示平均池化操作。
[0025]本专利技术的有益效果：
[0026](1)在骨干网络中嵌入了SimAM注意机制并构造了一个新的特征提取模块
‑
高效简洁特征提取模块，将其嵌入至主干网中来获得更具鲁棒性的特征，从而提高模型的特征提取能力，并且能够有效的降低模型参数量。
[0027](2)提出了一种改进的空间金字塔池化模型
‑
空间金字塔池化加强模块，可以更好地捕捉和融合多尺度特征信息，在不同尺度下增强了对遥感图像中存在的中、大型目标的检测能力。
[0028](3)提出了卷积聚合交叉层，在缩小特征图尺寸的同时，能够保留重要的特征信息，增强上下文信息的融合以得到具有更多语义信息的特征图。
[0029](4)在SIMD数据集的实验表明，与其他算法相比，本专利技术的方法在遥感图像目标检测中具有较好的性能。从消融实验中可以看出，本专利技术提出的每个改进模块都能够有效的提高检测精度。因此，本专利技术所提出的方法对现有的遥感目标检测算法在检测精度及模型参数量上达到了更好的平衡，对遥感图像的目标检测工作的研究具有重要的现实意义。
附图说明
[0030]图1为本专利技术实施例提供的基于大感受野和注意机制的多尺度高精度轻量化目标检测方法的流程示意图；
[0031]图2为本专利技术实施例提供的轻量化目标检测模型的网络结构；
[0032]图3为本专利技术实施例提供的VNFE的结构图；
[0033]图4为本专利技术实施例提供的SPPE模块的结构图；
[0034]图5为本专利技术实施例提供的CACL的结构图；
[0035]图6(a1)至图6(c6)为本专利技术实施例提供的检测效果图。
具体实施方式
[0036]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于大感受野和注意机制的多尺度高精度轻量化目标检测方法，其特征在于，包括：步骤1：构建改进的YOLOv7
‑
Tiny网络，包括：将YOLOv7
‑
Tiny网络中的主干网络中新增SimAM注意机制；步骤2：采用遥感图像数据集对所述改进的网络进行训练，得到轻量化目标检测模型；步骤3：将待测的遥感图像输入至所述轻量化目标检测模型，得到检测结果。2.根据权利要求1所述的基于大感受野和注意机制的多尺度高精度轻量化目标检测方法，其特征在于，步骤1中，所述新增的SimAM注意机制位于第一个MaxPool层和第二个ELAN模块之间。3.根据权利要求2所述的基于大感受野和注意机制的多尺度高精度轻量化目标检测方法，其特征在于，将主干网络中的最后两个ELAN模块替换为高效简洁特征提取模块；所述高效简洁特征提取模块的结构采用公式(1)至公式(3)表示：Y1＝P
3,1
(P
3,1
(F
1,1
(X)))
ꢀꢀꢀꢀꢀꢀ
(1)Y2＝P
3,1
((F
1,1
(X))+σ(SimAM(X)))
ꢀꢀꢀꢀ
(2)其中，X代表高效简洁特征提取模块的输入，Y1和Y2分别代表高效简洁特征提取模块中第一分支和第二分支的输出，Y3代表高效简洁特征提取模块的最终输出，F
1,1
代表滤波器大小为1
×
1、步长为1的CBL模块，P
3,1
代表滤波器大小3
×
3、步长为1的PBL模块，SimAM表示SimAM注意机制，σ为Sigmoid激活函数，
⊕
为C...

【专利技术属性】
技术研发人员：周黎鸣，赵航，刘哲昊，左宪禹，蔡坤，刘扬，乔保军，田军锋，
申请(专利权)人：河南大学，
类型：发明
国别省市：