基于制造技术

本发明专利技术公开了基于

【技术实现步骤摘要】
基于ODC
‑
YOLO网络的遥感图像目标检测方法及系统


[0001]本专利技术属于计算机视觉
，涉及目标检测
、
遥感与航空影像分析和图像分类等技术，具体涉及一种基于
ODC
‑
YOLO
网络的遥感图像目标检测方法及系统
。

技术介绍

[0002]随着航空航天遥感技术的蓬勃发展，遥感图像的分辨率可以达到分米级
、
厘米级
。
在早期的低分辨率图像上往往只能分类出粗糙的地物类别，而如今在高分辨率的遥感图像上可以利用图像处理
、
深度学习等方法自动识别出精细的地物目标
。
遥感图像的信息特征可以分为低层特征
、
中层特征和高层特征
。
低层特征包括图像的光谱
、
纹理和结构等信息；中层特征是对低层特征的编码；高层特征是抽象的语义信息
。
遥感图像目标检测是一种利用遥感数据进行自动化目标检测技术，其在智能监控等领域都有着广阔的应用前景
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于
ODC
‑
YOLO
网络的遥感图像目标检测方法，其特征在于，具体步骤如下：
S1、
获取遥感数据集；
S2、
对数据集中的图像进行切割处理，将图像划分为训练集
、
验证集和测试集；
S3、
设置输入图像的尺寸
、
训练次数和检测对象的类别参数；
S4
具体如下：
S4.1、
在动态卷积中融入了三个维度的注意机制，包括卷积的尺寸
、
卷积的输入通道数和输出通道数，构成一个多维度的动态卷积，同时利用残差网络
Res2Net
与
C3
模块融合构成新的
C3
‑
Res2Net
模块，将该模块与多维动态卷积网络结合，得到
OD
‑
Res2Net
主干网络；
S4.2、
构建一个具有多尺度的感受野增强模块，在不同大小的卷积层中，分别使用三种尺度的空洞卷积层分支，通过普通卷积与空洞卷积的结合，每个分支的感受野都得到了的提升，再将各个分支叠加在一起，以表达多尺度的感受野融合效果；
S4.3、
设计一个轻量级的上采样算子进行采样操作，主要分为上采样预测模块和特征重组模块；给定一个输入特征图，首先利用上采样预测模块预测上采样核，后利用特征重组模块完成上采样；
S5、
将步骤
S2
所得图像添加至步骤
S4
所得的
ODC
‑
YOLO
网络模型中，运用训练集和验证集标记好的图片进行训练，训练过程中，将测试集内划分好的图片进行测试，获得每一个阶段训练的效果
。2.
如权利要求1所述基于
ODC
‑
YOLO
网络的遥感图像目标检测方法，其特征在于，步骤
S1
中，采用
DOTA
数据集，图像来源于不同地区
、
不同时相阶段
。3.
如权利要求1所述基于
ODC
‑
YOLO
网络的遥感图像目标检测方法，其特征在于，步骤
S2
中，切割通过滑动窗口实现，将每个图像中小影像的大小设置固定像素大小，切割从图像左上角开始；将切割后的数据集和对应的标签按照8：1：1分为训练集
、
验证集和测试集
。4.
如权利要求1所述基于
ODC
‑
YOLO
网络的遥感图像目标检测方法，其特征在于，步骤
S4.1
中，将多维动态卷积引入主干网络，多维动态卷积根据注意力机制动态聚合多个并行卷积核，这些卷积核对每个单独输入数据
x
通过输入相同注意力来聚合偏差；多维动态卷积的公式如下所示：
y
＝
(
α
w1
⊙
α
f1
⊙
α
c1
⊙
α
s1
⊙
W1+...+
α
wn
⊙
α
fn
⊙
α
cn
⊙
α
sn
⊙
W
n
)*xx
表示输入，
y
则是输出；
α
wi
∈R
为卷积维度
W
i
的注意力系数矩阵，
α
si
∈R
k*k
、
和
α
fi
∈R
out
分别表示沿着卷积核
W
i
中的空间维度
、
输入通道维度
、
输出通道维度上的动态卷积注意力系数矩阵，
⊙
表示沿着核空间的不同维度的乘法运算，
i
的取值范围在1‑
n
；注意力乘以卷积核
W
i
的过程具体如下：先通过全局平均池化
GAP
将输入
x
压缩为长度为
C
in
的特征向量；后通过一个全连接层
FC
和四个分支，全连接层之后经过
ReLU
激活函数修正线性单元；全连接层
FC
将压缩后的特征向量映射到低维空间，对于四个分支，都有输出尺寸为
k*k、C
in
*1、C
out
*1
和
n*1
的全连接层
FC
，并使用
Sigmoid
和
SoftMax
函数来生成归一化的注意力
a
si
、a
ci
、a
fi
、a
wi
；其中，
C
in
表示输入通道数，
C
out
表示输出通道数；在多维动态卷积中，对于卷积核
W
i
：
(1)a
si
将不同的注意力标量分配给
k*k
空间位置处的卷积参数；
(2)a
ci
为每个卷积滤波器
W
im
的
C
in
通道分配不同的注意力标量；
(3)a
fi
为
C
out
卷积滤波器分配不同的注意力标量；
(4)a
wi
为整个卷积分配注意力标量；
在多维动态卷积的基础上，将
Res2Net
网络与
C3
模块融合构成新的
C3
‑
Res2Net
模块，
Res2Net<...

【专利技术属性】
技术研发人员：刘晴，汪旭升，吴伟，姚英彪，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：