【技术实现步骤摘要】
本申请属于遥感图像船舶目标检测，涉及一种遥感图像船舶小目标检测方法及系统，具体涉及一种基于特征增强和多尺度感知的遥感图像船舶小目标检测方法。
技术介绍
1、近年来，随着航天科技、无人机技术的发展以及大量遥感卫星的发射，越来越多的学者针对遥感图像(remote sensing images，rsis)展开相关研究。通过遥感传感器(如卫星、飞机或无人机)使用不同的波段(如可见光、红外线、雷达等)来获取船舶的遥感图像，相对于传统的地面调查等方法，它具有更低的成本和更高的效率。目前的船舶目标检测技术主要分为两个方面：传统计算机视觉方法和深度学习方法。传统的船舶检测方法包括海陆分割、数据预处理、预筛选和虚警消除四个步骤。然而，传统的大规模rsi船舶检测方法在复杂背景下往往存在背景噪音干扰、检测目标较小等问题，导致检测效率低、检测能力有限、人工消耗大、判读误差大。
2、为了让目标检测算法进一步在海洋监测领域发挥作用，将目标检测算法和遥感图像处理技术结合在一起。采集到船舶图像数据后，通过目标检测算法对采集到的图像信息进行处理与分析，完成对图像中的船舶目标的精准定位与识别，可以有效降低人工成本，维护海上安全和推动海洋资源的合理利用。然而由于遥感图像获取的距离较远，采集信息范围较大，小型船舶可能在图像中只占据很少的像素，导致难以区分或检测到。相较于常规尺寸的目标，小目标分辨率低，缺乏充足的外观信息，可利用特征少，难以将其与图像背景和周围相似目标进行区分，导致小目标的漏检与误检情况。
技术实现思路p>
1、目的：鉴于以上技术问题中的至少一项，本申请提出了一种基于特征增强和多尺度感知的遥感图像船舶小目标检测方法及系统。
2、为解决上述技术问题，本申请是采用下述技术方案实现的：
3、第一方面，本申请提供一种遥感图像船舶小目标检测方法，包括：
4、获取待检测的船舶遥感图像；其中所述船舶遥感图像为包含有船舶的遥感图像；
5、将所述待检测的船舶遥感图像输入预训练好的小目标检测模型中；
6、根据所述小目标检测模型的输出，确定船舶小目标检测结果；
7、其中，所述小目标检测模型包括主干网络模块、颈部网络模块和头部网络模块；
8、所述主干网络模块，使用动态通道注意力卷积替换标准卷积，用于对待检测的船舶遥感图像进行特征提取得到多尺度的特征图：尺寸分别为原图1/32、1/16、1/8、1/4的第一特征图、第二特征图、第三特征图和第四特征图；
9、所述颈部网络模块，加入微小目标检测层和多尺度通道融合模块，用于对多尺度的特征图进行多尺度特征融合，得到多尺度融合特征图：第一尺度融合特征图、第二尺度融合特征图、第三尺度融合特征图和第四尺度融合特征图；
10、所述头部网络模块，加入微小目标检测头p6，用于分别对多尺度融合特征图进行检测，得到多尺度目标检测结果。
11、在一些实施例中，所述动态通道注意力卷积dycaconv的处理过程，包括：
12、获取注意力权重，其中所述注意力权重包括水平方向的注意力权重aw和垂直方向的注意力权重ah；
13、获取动态权重，其中所述动态权重包括水平方向的动态权重dynamic_weightsw和垂直方向的动态权重dynamic_weightsh；
14、根据所述注意力权重和动态权重，对输入特征进行加权融合得到特征表示out；
15、对得到的特征表示out进行卷积和批归一化进行进一步的变换和压缩后，使用silu函数激活后得到动态通道注意力卷积dycaconv的输出特征图。
16、进一步地，在一些实施例中，获取注意力权重，包括：
17、对输入特征进行全局平均池化操作，得到水平方向和垂直方向上的特征映射；
18、将水平方向和垂直方向上的特征映射在通道维度上进行拼接后，依次通过卷积层和批归一化层后，使用swish激活函数对经过批归一化的特征进行非线性变换得到一个更加丰富的特征映射；
19、接着对上一步得到的特征映射进行特征分割和转置，拆分为水平方向和垂直方向上的特征；
20、然后分别对水平方向和垂直方向上的特征进行卷积操作后，通过sigmoid函数处理得到水平方向的注意力权重aw和垂直方向的注意力权重ah。
21、在一些实施例中，获取动态权重，包括：
22、对于输入特征，先进行全局平均池化降维后将得到1×1的特征图；
23、将特征图展平为一维向量后送入全连接层处理，使用softmax函数激活后得到水平方向的动态权重dynamic_weightsw和垂直方向的动态权重dynamic_weightsh。
24、在一些实施例中，根据所述注意力权重和动态权重，对输入特征进行加权融合得到特征表示out；
25、out＝x*((dynamic_weightsw)*aw+(dynamic_weightsh)*ah)
26、其中，x表示输入特征；dynamic_weightsw和dynamic_weightsh分别表示水平方向和垂直方向上的动态权重值，aw和ah分别表示水平方向和垂直方向上的注意力权重值。
27、在一些实施例中，所述多尺度通道融合ms-cf模块的处理过程，包括：
28、从输入特征中提取两个不同尺度的特征图mc1和mc2，接着通过两个1×1卷积层将特征图mc1和mc2在通道维度上进行连接，形成综合的注意力特征图；
29、对综合的注意力特征图进行分别进行平均池化、最大池化操作，得到平均值特征图mcavg和最大值特征图mcmax，将平均值特征图mcavg和最大值特征图mcmax在通道维度上进行连接合并为一个双通道特征图，通过7×7卷积和sigmoid函数激活后得到注意力权重mcweight；
30、将特征图mc1和mc2分别与对应的注意力权重mcweight进行逐通道的加权相加生成注意力特征图mc；
31、将输入特征与经过5×5卷积升维后的注意力特征图mc相乘，得到多尺度通道融合ms-cf模块输出的增强多尺度特征。
32、在一些实施例中，所述小目标检测模型的训练过程中，采用的总损失函数l为：
33、l＝βl·llarge+βm·lmedium+βs·lsmall+βt·ltiny
34、其中，llarge、lmedium、lsmall、ltiny分别表示大目标检测头p5、中目标检测头p4、小目标检测头p3以及微小目标检测头p6输出的损失，βl、βm、βs、βt分别为对应的损失权重系数。本实施例中，βl＝0.6，βm＝0.8，βs＝1.0，βt＝1.2。
35、进一步地，每个检测头输出的损失lk包括分类损失和回归损失，其中分类损失使用二元交叉熵损失lbce，回归损失为分类焦点损失ldfl加上完整边框损失lciou；
36、l本文档来自技高网...
【技术保护点】
1.一种遥感图像船舶小目标检测方法，其特征在于，包括：
2.根据权利要求1所述的遥感图像船舶小目标检测方法，其特征在于，所述动态通道注意力卷积DyCAConv的处理过程，包括：
3.根据权利要求2所述的遥感图像船舶小目标检测方法，其特征在于，获取注意力权重，包括：
4.根据权利要求2所述的遥感图像船舶小目标检测方法，其特征在于，获取动态权重，包括：
5.根据权利要求2所述的遥感图像船舶小目标检测方法，其特征在于，根据所述注意力权重和动态权重，对输入特征进行加权融合得到特征表示Out；
6.根据权利要求1所述的遥感图像船舶小目标检测方法，其特征在于，所述多尺度通道融合MS-CF模块的处理过程，包括：
7.根据权利要求1所述的遥感图像船舶小目标检测方法，其特征在于，所述小目标检测模型的训练过程中，采用的总损失函数L为：
8.根据权利要求7所述的遥感图像船舶小目标检测方法，其特征在于，βl＝0.6，βm＝0.8，βs＝1.0，βt＝1.2。
9.根据权利要求7所述的遥感图像船舶小目标检测方法
10.一种遥感图像船舶小目标检测系统，其特征在于，包括处理器及存储介质；
...【技术特征摘要】
1.一种遥感图像船舶小目标检测方法，其特征在于，包括：
2.根据权利要求1所述的遥感图像船舶小目标检测方法，其特征在于，所述动态通道注意力卷积dycaconv的处理过程，包括：
3.根据权利要求2所述的遥感图像船舶小目标检测方法，其特征在于，获取注意力权重，包括：
4.根据权利要求2所述的遥感图像船舶小目标检测方法，其特征在于，获取动态权重，包括：
5.根据权利要求2所述的遥感图像船舶小目标检测方法，其特征在于，根据所述注意力权重和动态权重，对输入特征进行加权融合得到特征表示out；
6.根据权利要求1所述的遥感图像船舶小目标检测方法，其特征在于，所述多...
【专利技术属性】
技术研发人员：孙伟，沈欣怡，张小瑞，管菲，叶健峰，郭邦祺，
申请(专利权)人：南京信息工程大学，
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。