System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及计算机视觉和图像处理领域,具体涉及基于场景信息解耦引导的极小物体检测方法及系统。
技术介绍
1、遥感目标检测的目的是在遥感图像中定位和分类有价值的目标(如飞机、船舶、车辆等)。作为一项基本任务,遥感目标检测在大规模监测、交通指导和城市规划等领域有广泛的应用。独特的拍摄角度和不同的成像高度导致遥感图像包含大量大小有限的目标。然而,由于像素规模小、语义信息有限、分布密集、容易遮挡,极小目标的检测仍然是遥感目标检测中的一个重大挑战。这一问题已成为遥感技术的关键瓶颈,阻碍了其发展和广泛应用。
2、近年来,通用目标检测技术发展迅速,目标检测的性能和速度都有了显著提高。然而,在遥感领域极小目标的检测发展一直很缓慢。现有的极小目标检测框架通常由普通目标检测任务中表现良好的模型来添加特定的设计,例如公布号为cn115457487a的现有专利技术专利申请文献《一种基于二维图像的目标检测方法及系统》包括:对采集的监控区域中的二维图像进行目标位置标注,生成训练数据集;然后采用训练集数据对所述深度学习目标检测模型的骨干网络及其目标中心预测分支网络,判断极小目标分支网络和目标尺度预测分支网络进行训练,并通过训练好的深度学习目标检测模型对目标进行检测。以及公布号为cn114550256a的现有专利技术专利申请文献《极小目标检测方法、装置、设备及计算机可读介质》该方法包括:获取第一图像;在第一图像中确定极小目标置信度大于或等于第一阈值的第一极小目标,其中,极小目标置信度用于表示被检测对象属于可检测极小目标的概率,可检测极小目标为预设
3、规模小、语义信息有限、分布密集、容易遮挡,是极小目标检测的一个重大挑战,并且难以提出突破性的关键技术以及现有的小目标检测数据集目标大小分布极不均衡,使得训练过程中难以充分学习,对小目标的泛化能力较弱,导致检测精度低。以及数据集分布不均匀、背景噪声以及光照变化、高质量的训练数据难以获得等问题,削弱了极小目标的特征提取能力。
4、综上,现有技术在大规模高空遥感卫星图中对于密集极小目标的场景下,存在的误检率高、目标分类错误和运动轨迹偏差的技术问题。
技术实现思路
1、本专利技术所要解决的技术问题在于:如何解决现有技术在大规模高空遥感卫星图中对于密集极小目标的场景下,存在的误检率高、目标分类错误和运动轨迹偏差的技术问题。
2、本专利技术是采用以下技术方案解决上述技术问题的:基于场景信息解耦引导的极小物体检测方法包括:
3、s1、获取并利用语义信息引导网络signet,解耦处理大规模高空遥感卫星图像,以得到场景解耦特征图;
4、s2、构建前景增强模块fem,将场景解耦特征图送入前景增强模块fem中,以得到前景蒙版和背景蒙版,据以生成增强前景特征图;
5、s3、获取主干网络深层特征,将增强前景特征图、主干网络深层特征图送入场景信息融合模块sif,以得到融合特征图;
6、s4、上采样处理融合特征图,据以检测大规模高空遥感卫星图像中的小目标。
7、本专利技术通过提出一种新的基于场景上下文的语义信息引导网络signet来挖掘高分辨率遥感卫星图像的上下文语义信息,以复杂场景下遥感的极小目标检测,能够在复杂背景中获得更好的结果。与现有的最先进的极小目标检测方法相比,本专利技术的方法可以获取图像上下文更多的信息,与现有的最先进的场景信息解耦引导的极小目标检测方法相比,本专利技术的方法可以捕获更多的场景信息细节,并在评估指标和感知方面有更好的表现。
8、在更具体的技术方案中,步骤s1包括:
9、s11、预训练resnet18网络,并移除resnet18网络的分类层,以得到适用resnet18网络;
10、s12、利用适用resnet18网络,根据大规模高空遥感图像的语义信息,处理得到上下文特征信息,据以作为场景分类特征图;
11、s13、利用极小目标检测头p2来关注场景分类特征图中的小目标,并输出网络的第三层和第四层特征,以作为场景解耦输出数据。
12、本专利技术设计了场景信息解耦模块,场景信息融合模块和前景增强模块。为了更好地理解整个图像或视频的语义信息,本专利技术使用场景信息解耦模块来解耦。本专利技术使用预训练好的resnet18网络来提取不同场景下的信息特征,以增强复杂场景下的前景特征,利于极小目标的特征提取。
13、在更具体的技术方案中,步骤s12中,利用下述逻辑,求取场景分类特征图:
14、x本文档来自技高网...
【技术保护点】
1.基于场景信息解耦引导的极小物体检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于场景信息解耦引导的极小物体检测方法,其特征在于,所述步骤S1包括:
3.根据权利要求2所述的基于场景信息解耦引导的极小物体检测方法,其特征在于,所述步骤S12中,利用下述逻辑,求取所述场景分类特征图:
4.根据权利要求1所述的基于场景信息解耦引导的极小物体检测方法,其特征在于,所述步骤S2包括:
5.根据权利要求4所述的基于场景信息解耦引导的极小物体检测方法,其特征在于,所述步骤S224中,利用下述逻辑,根据所述全局建模特征,求取空间注意力机制掩码:
6.根据权利要求4所述的基于场景信息解耦引导的极小物体检测方法,其特征在于,所述步骤S224中,利用下述逻辑,获取所述二进制掩码特征:
7.根据权利要求1所述的基于场景信息解耦引导的极小物体检测方法,其特征在于,所述步骤S3包括:
8.根据权利要求7所述的基于场景信息解耦引导的极小物体检测方法,其特征在于,所述步骤S31中,利用下述逻辑求取所述主干网络
9.根据权利要求7所述的基于场景信息解耦引导的极小物体检测方法,其特征在于,所述步骤S32中,利用下述逻辑表达所述SIF层:
10.基于场景信息解耦引导的极小物体检测系统,其特征在于,所述系统包括:
...【技术特征摘要】
1.基于场景信息解耦引导的极小物体检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于场景信息解耦引导的极小物体检测方法,其特征在于,所述步骤s1包括:
3.根据权利要求2所述的基于场景信息解耦引导的极小物体检测方法,其特征在于,所述步骤s12中,利用下述逻辑,求取所述场景分类特征图:
4.根据权利要求1所述的基于场景信息解耦引导的极小物体检测方法,其特征在于,所述步骤s2包括:
5.根据权利要求4所述的基于场景信息解耦引导的极小物体检测方法,其特征在于,所述步骤s224中,利用下述逻辑,根据所述全局建模特征,求取空间注意力机制掩码:
6.根据权利要求4所述的基于场景信息解...
【专利技术属性】
技术研发人员:赵志成,方翔,杜家欣,张钰,余瑞,肖云,李成龙,汤进,
申请(专利权)人:安徽大学,
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。