【技术实现步骤摘要】
本专利技术涉及遥感图像目标检测，更具体的说是涉及基于注意力机制加权特征融合的遥感图像目标检测方法。
技术介绍
1、目前，遥感图像中的目标检测一直是遥感图像处理领域的一个重要研究方向。随着遥感技术和高分辨率遥感图像的快速发展，其在资源管理、环境保护、城市规划、灾害监测等领域的应用日益广泛，对于遥感目标的准确检测和识别变得越来越重要。遥感图像中的目标通常包括建筑物、车辆、船只以及其他人工和自然目标，其尺寸大小不一，形状复杂，同时容易受到背景干扰和遮挡的影响，增加了目标检测的难度。在其中，遥感图像的小目标往往比正常目标要更难检测，因其分布密集且容易被遮挡。
2、针对遥感图像中的小目标检测问题，研究者们提出了许多创新的方法和技术，这些方法主要基于深度学习、多尺度检测、遮挡检测和模型融合等技术手段，旨在提高小目标检测的准确性和鲁棒性。传统的目标检测方法在处理遥感目标检测时存在一些困难。例如，传统的滑动窗口方法在遥感图像的多尺度变化和复杂背景下容易漏检或误检。此外，图像中小目标在图像中的像素强度往往较弱，与周围环境相似，因此常常难以与背景进行有效区分。这些挑战使得遥感图像小目标的精确检测正在成为一个具有挑战性和迫切需求的问题。
3、目前，遥感图像目标检测算法主要包括两阶段检测算法和单阶段检测算法。
4、(1)两阶段目标检测算法将检测问题划分为两个阶段，首先在图像上产生候选区域，随后对位置精修后进行候选区域分类。两阶段目标检测算法识别的精确度高，漏检率低，但是速度较慢，不能满足一些实时场景的检测需要。>
5、(2)单阶段目标检测算法不需要产生候选区域，而是通过直接回归出物体的位置信息和类别概率，因此有着比两阶段更快的检测速度，但是在识别精度来说一般低于两阶段检测。
6、在其基础上，目前针对遥感图像小目标检测的算法主要从以下三个方向进行改进：
7、1)数据增强。数据增强是一种提升小目标模型检测精度的有效方法，通过数据增强策略可以扩充数据集的广度和深度，提高小目标在数据集之中的占比，丰富数据集的多样性，提升检测模型的鲁棒性。
8、2)多尺度学习。与传统目标相比，小目标的可用像素较少，难以提取出显著的特征，且随着网络层数的增加，小目标的信息逐渐丢失，难以被网络提取到。这些特点导致小目标既需要深层语义信息，也需要浅层表示信息，而多尺度学习将两者结合起来，提高了小目标检测的性能。
9、3)基于上下文建模。上下文关系通常指场景中关于目标的一些约束和依赖关系，在小目标检测中通过对场景中各种上下文信息进行建模可以用来帮助推断目标的位置或类别。
10、总结来说，现有遥感图像小目标检测的不足主要包括：
11、1、由于遥感图像像素高而目标相对较小，基于卷积神经网络的遥感图像目标检测模型在使用池化等操作后使得小目标信息进一步减少，其对于遥感图像小目标的检测效果较差。
12、2、虽然基于深度学习的遥感图像目标检测模型无论两阶段还是单阶段都具有很高的检测精度，但是部分模型参数量过大，实际工程应用需要考虑到边缘计算资源有限。
13、3、在一些场景中如战时情报、抗险救灾时需要快速对目标进行检测时，一般的算法无法达到检测的实时性。
14、因此，如何克服上述不足，是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，针对目标检测向来有复杂背景干扰、目标尺度不一、小目标检测难的问题，本专利技术提供了一种基于注意力机制加权特征融合的遥感图像目标检测方法。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术实施例提供一种基于注意力机制加权特征融合的遥感图像目标检测方法，包括以下步骤：
4、获取包含地物小目标的遥感图像集，分为训练集和测试集；
5、构建改进的yolov5网络模型；所述改进的yolov5网络模型设计有通道与空间注意力机制卷积模块和自适应融合模块，并采用siou损失函数代替ciou损失函数；
6、基于所述训练集和测试集，对改进的yolov5网络模型进行迭代训练和测试，获得目标检测模型；
7、将待检测的遥感图像输入训练后得到的目标检测模型，输出对应的检测结果。
8、进一步地，所述改进的yolov5网络模型由yolov5s模型为基础进行构建，由主干网络、颈部网络和检测头组成；所述主干网络由focus模块、残差模块c3、卷积模块conv和sppf层组成；
9、其中，在所述主干网络中使用通道与空间注意力机制卷积模块替换第六、第八、sppf层后的卷积模块；所述通道与空间注意力机制卷积模块，包括：通道注意力机制卷积模块和空间注意力机制卷积模块；
10、在所述颈部网络尾部设置所述自适应融合模块。
11、进一步地，所述通道注意力机制卷积模块，用于计算通道注意力，对输入特征图的空间维度进行压缩，对于空间信息的聚合，采用平均池化和最大池化提取特征，采用公式如下所示：
12、mc(f)＝σ(mlp(avgpool(f))+σ(mlp(avgpool(f)) (1)
13、式中，mc(f)表示通道注意力图；σ表示sigmoid函数；mlp表示多层感知层；avgpool(f)表示平均池化特征；maxpool(f)表示最大池化特征。
14、进一步地，所述空间注意力机制卷积模块，用于计算空间注意力，沿着通道轴应用平均池化和最大池操作，连接起来生成特征描述符，应用卷积层生成空间注意力图，采用公式如下所示：
15、ms(f)＝σ(f7×7([avgpool(f)；maxpool(f)])) (2)
16、式中，ms(f)表示空间注意力图；σ表示sigmoid函数；f7×7表示一个滤波器大小为7×7的卷积运算；avgpool(f)表示平均池化特征；maxpool(f)表示最大池化特征。
17、进一步地，所述siou损失函数包括：角度损失、距离损失、形状损失和iou损失四部分；
18、1)角度损失，公式如下：
19、
20、
21、
22、
23、其中，λ表示角度损失值；σ表示真实值与预测值中心的距离；ch表示真实值与预测值中心的高度差；表示真实值中心点坐标值；表示预测值中心坐标值；α表示真实值与预测值中心连线与水平线之间的夹角；
24、2)距离损失，公式如下：在公式中使用1-e-x函数将距离损失的值映射到(0,1)区间内参与总的损失计算，其距离损失与最小外接矩形有关；
25、
26、其中，
27、
28、
29、γ＝2-λ (10)
30、δ表示距离损失值；cw，ch表示真实值与预测值的最小外接矩形的宽度与高度；
31、3)形状损失：
32、
33、本文档来自技高网...
【技术保护点】
1.基于注意力机制加权特征融合的遥感图像目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于注意力机制加权特征融合的遥感图像目标检测方法，其特征在于，所述改进的YOLOv5网络模型由YOLOv5s模型为基础进行构建，由主干网络、颈部网络和检测头组成；所述主干网络由Focus模块、残差模块C3、卷积模块Conv和SPPF层组成；
3.根据权利要求2所述的基于注意力机制加权特征融合的遥感图像目标检测方法，其特征在于，所述通道注意力机制卷积模块，用于计算通道注意力，对输入特征图的空间维度进行压缩，对于空间信息的聚合，采用平均池化和最大池化提取特征，采用公式如下所示：
4.根据权利要求2所述的基于注意力机制加权特征融合的遥感图像目标检测方法，其特征在于，所述空间注意力机制卷积模块，用于计算空间注意力，沿着通道轴应用平均池化和最大池操作，连接起来生成特征描述符，应用卷积层生成空间注意力图，采用公式如下所示：
5.根据权利要求1所述的基于注意力机制加权特征融合的遥感图像目标检测方法，其特征在于，所述SIoU损失函数包括：角度损
6.根据权利要求1所述的基于注意力机制加权特征融合的遥感图像目标检测方法，其特征在于，所述自适应融合模块，用于通过学习权重去过滤空间上其它特征层的无用信息，改善多层特征的比例不变性；采用以下公式表示：
...【技术特征摘要】
1.基于注意力机制加权特征融合的遥感图像目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于注意力机制加权特征融合的遥感图像目标检测方法，其特征在于，所述改进的yolov5网络模型由yolov5s模型为基础进行构建，由主干网络、颈部网络和检测头组成；所述主干网络由focus模块、残差模块c3、卷积模块conv和sppf层组成；
3.根据权利要求2所述的基于注意力机制加权特征融合的遥感图像目标检测方法，其特征在于，所述通道注意力机制卷积模块，用于计算通道注意力，对输入特征图的空间维度进行压缩，对于空间信息的聚合，采用平均池化和最大池化提取特征，采用公式如下所示：
4....
【专利技术属性】
技术研发人员：黄艺煊，喻金桃，王立才，何江涛，支婷，
申请(专利权)人：中国电子科技集团公司第十五研究所，
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。