本发明专利技术公开了一种基于遥感图像军用飞机目标检测方法及装置，包括以下步骤：(1)获取遥感军用飞机的图像数据，对所有的图像数据标注飞机位置及其类别；(2)构建基于改进YOLOV5的目标检测模型，具体改进为：使用几何、颜色变换等数据增强策略扩充训练数据集的规模；在原模型的Conv结构上新增一条卷积分支，并在推理模型中将分支以及归一层和激活函数进行合并；在原模型中增加一个SO模块；(3)对目标检测模型进行迭代训练；(4)将待检测的图像或视频流数据输入训练好的目标检测模型中，得到军用飞机的预测结果。利用本发明专利技术，可以减少推理模型的计算量，在不影响检测精度的前提下提高检测速度。
【技术实现步骤摘要】
本专利技术属于目标识别领域，尤其是涉及一种基于遥感图像军用飞机目标检测方法及装置。
技术介绍
1、随着遥感技术的快速发展，光学遥感图像数据与日俱增，如何从海量的遥感图像中自动提取有价值的目标信息成为了近年来学者们研究的热点。而遥感图像目标识别是高效提取目标信息的任务之一，在民用、军事领域中起着至关重要的作用。该任务对遥感图像中感兴趣的目标进行定位和细粒度分类。军用飞机作为最具威胁性的战略目标之一，飞机目标出现的位置及型号时刻影响着战场的决策，所以军用飞机目标的快速识别与实时检测具有重要的实际应用价值。但由于卷积神经网络结构复杂、计算量大，导致其很难在算力、内存有限的嵌入式平台进行实时应用。为了满足检测算法在嵌入式设备上的部署，业界提出了诸多轻量化网络以牺牲自身检测准确度为代价，以此来减少大量的运算，但这样又导致无法满足工程中的精度需求。
2、综上所述，在降低网络的参数规模和运算量的同时，又能保证目标检测准确率的轻量化算法研究，对提高军用飞机检测的可靠性、实时性具有重要的实际意义。
技术实现思路
1、本专利技术目的在于针对现有技术的不足，提供了一种基于遥感图像军用飞机目标检测方法及装置，在不影响检测精度的前提下，可以大幅减少推理模型大小和计算量，提高检测速度。
2、本专利技术的目的是通过以下技术方案来实现的：一种基于遥感图像军用飞机目标检测方法，包括以下步骤：
3、(1)获取遥感军用飞机的图像数据，对所有的图像数据标注军用飞机位置及其类别；
4、(2)构建基于改进yolov5的目标检测模型；基于数据增强策略扩充训练数据集；在原模型的conv结构上新增一条卷积分支和一个残差结构，利用多分支训练来提高模型训练时性能及效率，并在推理模型中将分支以及归一层和激活函数进行合并，使用单路模型进行推理加快推理速度；在原模型中增加一个so模块，此模块利用二阶特征的分布自适应来学习特征的内部依赖关系，使网络能够专注于更有益的信息且能够提高判别学习的能力；
5、(3)将步骤(1)标注后的图像数据输入改进yolov5的目标检测模型中进行迭代训练，计算最后整体损失函数，直到模型收敛；
6、(4)将待检测的遥感图像或视频流数据输入训练好的目标检测模型中，得到军用飞机的预测结果。
7、进一步地，步骤1具体为：获取军用飞机图像，并对所述图像数据进行预处理，得到预处理后数据集，对标注后数据集进行数据增强处理，得到预处理后数据集。
8、进一步地，步骤2具体为：使用几何、颜色变换数据增强策略扩充训练数据集的规模：
9、几何变换即对图像进行几何变换，包括翻转、旋转、移位、裁剪、变形或缩放操作；颜色变换即对图像的一部分或者对像素进行重分布，包括噪声、模糊、颜色变换、擦除或填充。
10、进一步地，在原模型的conv结构上新增一条卷积分支和一个残差结构，具体包括：
11、原模型中的conv结构是由卷积层，归一层和激活函数组成，在其结构的基础上额外增加一个卷积层的分支和一个残差分支，该卷积层是由一个1*1的卷积和一个归一层构成；修改后的conv结构的计算公式为：out＝f(x)+g(x)+x，其中x为输入的矩阵，f(x)表示将输入数据进行3*3的卷积计算，g(x)表示将输入数据进行1*1的卷积计算；在模型进行推理时，会将分支以及归一层和激活函数进行合并。
12、进一步地，在原模型中增加一个so模块，具体包括：
13、首先计算协方差矩阵，对于h×w×c的特征映射，其中h为矩阵的高，w为矩阵的宽，c为通道数；将其重塑为一个具有c维的特征矩阵x，x表示h×w，则样本协方差矩阵计算公式为：σ＝xιxt，其中i表示s×s的单位矩阵，1表示全1的矩阵；
14、再对得到的协方差矩阵进行协方差归一化，该协方差矩阵是对称半正定的，它的特征值分解为：σ＝uλut，其中u为正交矩阵，λ为非递增顺序特征值的对角矩阵；然后将协方差归一化转化为特征值的幂：其中a为正实数，当a＝1时，没有归一化；当a<1时，会非线性收缩大于1.0的特征值，拉伸小于1.0的特征值；
15、归一化协方差矩阵表示了通道特征的相关性，通过对全局协方差矩阵的池化操作，将这种归一化协方差矩阵作为通道描述符；令对进行收缩，得到各通道统计量z，那么z的维度的计算公式为：其中hgcp为全局协方差池化函数，与一阶池化相比，全局协方差池化能够捕获比一阶更高的特征统计量；为了通过全局协方差池化充分利用聚合信息中的特征相互依赖性，使用如下计算方法：w＝f(wuδ(wdz))，其中wu，wd为卷积层的权重集，f,v表示sigmoid和relu函数；最后，得到通道注意映射w来重新调整输入：其中wc，fc表示第c通道的比例因子和特征图。
16、进一步地，步骤3具体为：进行不少于100个epoch的迭代训练，同时随着训练的深入周期性地减少学习率。
17、第二方面，本专利技术还提供了一种基于遥感图像军用飞机目标检测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现所述的一种基于遥感图像军用飞机目标检测方法。
18、第三方面，本专利技术还提供了一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时，实现所述的一种基于遥感图像军用飞机目标检测方法。
19、与现有技术相比，本专利技术具有以下有益效果：
20、1、本专利技术使用几何、颜色变换等数据增强策略扩充训练数据集的规模，加强了模型的泛化能力，提升了模型的鲁棒性。
21、2、本专利技术在原模型的conv结构上新增一条卷积分支和一个残差结构，并在推理模型中将分支以及归一层和激活函数进行合并，实现了训练模型的精度提升以及推理模型大小的压缩和检测速度的提升。
22、3、本专利技术在原模型中增加一个so模块，提升了在高分辨率下对于不同尺寸大小的目标增强特征的表示能力，提高检测精度。
23、4、本专利技术方法原理简单，易于实现，在保持精度大致不变的前提下，推理模型参数量从7.1m减少到5.7m和计算量从15.9gflops减少到10.1gflops，检测速度从92fps提高到118fps。
本文档来自技高网...
【技术保护点】
1.一种基于遥感图像军用飞机目标检测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤S1具体为：
3.根据权利要求2所述的方法，其特征在于，步骤S2中，使用几何、颜色变换数据增强策略扩充训练数据集的规模：
4.根据权利要求1所述的方法，其特征在于，步骤S2中，在原模型的Conv结构上新增一条卷积分支和一个残差结构，具体包括：
5.根据权利要求1所述的方法，其特征在于，步骤S2中，在原模型中增加一个SO模块，具体包括：
6.根据权利要求1所述的方法，其特征在于，步骤S3中，进行不少于100个Epoch的迭代训练，同时随着训练的深入周期性地减少学习率。
7.一种基于遥感图像军用飞机目标检测装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，其特征在于，所述处理器执行所述可执行代码时，实现如权利要求1-6中任一项所述的一种基于遥感图像军用飞机目标检测方法。
8.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时，实现如权利要求1-6中任一项所述的一种基于遥感图像军用飞机目标检测方法。
...
【技术特征摘要】
1.一种基于遥感图像军用飞机目标检测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤s1具体为：
3.根据权利要求2所述的方法，其特征在于，步骤s2中，使用几何、颜色变换数据增强策略扩充训练数据集的规模：
4.根据权利要求1所述的方法，其特征在于，步骤s2中，在原模型的conv结构上新增一条卷积分支和一个残差结构，具体包括：
5.根据权利要求1所述的方法，其特征在于，步骤s2中，在原模型中增加一个so模块，具体包括：
6.根...
【专利技术属性】
技术研发人员：吴林烽，刘东升，陈卫刚，周迪，包翠竹，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。