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与机器学习,具体涉及一种多尺度特征融合与上下文信息增强的遥感小目标检测方法。
技术介绍
1、近年来光学遥感技术快速发展,在交通监管、搜救、安保、军事等领域均有广泛应用,针对小目标检测方法的研究也取得了显著进展。小目标通常指所占像素面积在32×32以下的目标,小目标检测需要完成对小目标的定位和分类。
2、随着深度学习的快速发展,卷积神经网络在目标检测领域取得了显著的效果,常见的目标检测算法分为两阶段目标检测算法和单阶段目标检测算法,两阶段目标检测算法的典型代表为r-cnn系列算法,单阶段目标检测算法的典型代表为yolo系列算法和ssd系列算法。
3、遥感系统由于观测平台的运动导致观测条件不可控,观测过程中易受到大气干扰,观测场景复杂,这些因素导致目标和背景难以区分,并且遥感图像一般具有较大的视场,感兴趣目标在遥感图像中体积小、特征少,难以检测。所以一种能够抑制复杂背景信息、增强小目标特征的遥感小目标检测方法成为现如今迫切的需求。
技术实现思路
1、针对上述情况导致的遥感小目标检测精度低的问题,本专利技术旨在提供一种新的多尺度特征融合与上下文信息增强的遥感小目标检测方法,该方法能够通过特征融合模块、全局上下文感知模块,抑制背景信息,增强小目标特征,从而提高小目标检测的精度。
2、为解决上述技术问题,本专利技术提供一种多尺度特征融合与上下文信息增强的遥感小目标检测方法,所述方法基于神经网络,包括如下步骤:
3、步骤1
4、步骤2)对所述多尺度特征图中的部分层级进行上采样和下采样操作,并对相邻层级特征图进行通道加权融合,得到特征融合后的多尺度特征图;
5、步骤3)对所述特征融合后的多尺度特征图进行全局上下文信息提取,进一步形成用于预测的特征图;
6、步骤4)将所述预测的特征图输入yolo head预测网络,完成对小目标位置和类别的预测,经过非极大值抑制处理后得到最终的小目标检测结果。
7、进一步的,步骤2)具体包括以下步骤:
8、步骤2.1,对高层级特征图x4进行降维得到特征图x4',再对特征图x4'进行上采样得到与x3相同尺度的特征图,并将该特征图与x3通道加权融合得到特征图x3';
9、对低层级特征图x3'进行上采样得到与x2相同尺度的特征图,并将该特征图与x2通道加权融合得到特征图x2';
10、步骤2.2,将特征图x2'通过卷积操作降采样,得到与x3'相同尺度的特征图,将该特征图及x3、x3'通道加权融合得到x3”;
11、将特征图x3”通过卷积操作降采样,得到与x4'相同尺度的特征图,将该特征图与x4'通道加权融合得到x4”。
12、进一步的,步骤3)中,所述对所述特征融合后的多尺度特征图进行全局上下文信息提取包括以下步骤:
13、步骤3.1,将多尺度特征融合后的特征图x2'、x3”、x4”分别输入全局上下文感知模块,所述全局上下文感知模块包含三条支路,第一条支路使用全局平均池化和全局最大池化来提取全局信息,第二条支路为value支路,用于生成特征图值张量的线性变换结果,第三条支路为qk支路,用于生成特征图查询张量和键张量的乘积;
14、步骤3.2,将第一条支路与第二条支路的输出矩阵相乘,得到全局通道上下文信息,将第三条支路与第二条支路的输出矩阵相乘,得到全局空间上下文信息;
15、步骤3.3,获得全局通道上下文信息和全局空间上下文信息的扩展hadamard乘积,将乘积作为全局上下文感知模块的输出。
16、进一步的,所述特征融合后的多尺度特征图的计算表达式为:
17、
18、x3”=csp{crc[cb s(x3'),x3,cbs(x2',stride=2)]}
19、x4”=csp{crc[x4',cbs(x3”,stride=2)]}
20、上式中,表示上采样操作,cbs表示3×3卷积、批量归一化和silu激活函数,crc表示通道加权融合操作,csp表示局部跨接操作。
21、进一步的,所述全局上下文感知模块的输出结果的表达式为:
22、
23、
24、上式中,pij,分别表示第i层特征图的第j个像素的输入和输出,ni表示第i层特征图中的像素总数,ωv,ωqk分别表示value支路和qk支路的线性变化矩阵,avg(·)和max(·)分别表示全局平均池化gap和全局最大池化gmp,gap和gmp引导特征图选择具有重要信息的通道。
25、进一步的,在所述通道加权模块中,首先将所有特征图的通道连接起来,然后与归一化的可训练权值相乘,权值个数与通道总数相同,如下列公式所示:
26、
27、上式中,ωj表示第j个通道的训练权重,m表示特征图连接后的通道总数,∑mωm表示所有训练权重之和,ε表示一个常数,为了避免分母为0,ε设置为0.0001。
28、本专利技术的有益效果为:能够通过特征融合模块、全局上下文感知模块,对背景信息进行抑制,对小目标特征进行增强,提高遥感小目标检测的精度。
本文档来自技高网...【技术保护点】
1.一种多尺度特征融合与上下文信息增强的遥感小目标检测方法,其特征在于,所述方法基于神经网络,包括如下步骤:
2.如权利要求1所述的一种多尺度特征融合与上下文信息增强的遥感小目标检测方法,其特征在于,步骤2)具体包括以下步骤:
3.如权利要求1所述的一种多尺度特征融合与上下文信息增强的遥感小目标检测方法,其特征在于,步骤3)中,所述对所述特征融合后的多尺度特征图进行全局上下文信息提取包括以下步骤:
4.如权利要求2所述的一种多尺度特征融合与上下文信息增强的遥感小目标检测方法,其特征在于,所述特征融合后的多尺度特征图的计算表达式为:
5.如权利要求3所述的一种多尺度特征融合与上下文信息增强的遥感小目标检测方法,其特征在于,所述全局上下文感知模块的输出结果的表达式为:
6.如权利要求4所述的一种多尺度特征融合与上下文信息增强的遥感小目标检测方法,其特征在于,在所述通道加权模块中,首先将所有特征图的通道连接起来,然后与归一化的可训练权值相乘,权值个数与通道总数相同,如下列公式所示:
【技术特征摘要】
1.一种多尺度特征融合与上下文信息增强的遥感小目标检测方法,其特征在于,所述方法基于神经网络,包括如下步骤:
2.如权利要求1所述的一种多尺度特征融合与上下文信息增强的遥感小目标检测方法,其特征在于,步骤2)具体包括以下步骤:
3.如权利要求1所述的一种多尺度特征融合与上下文信息增强的遥感小目标检测方法,其特征在于,步骤3)中,所述对所述特征融合后的多尺度特征图进行全局上下文信息提取包括以下步骤:
4.如权利要求2所述的一种多尺度特征...
【专利技术属性】
技术研发人员:张寅,王炜扬,叶沐,闫钧华,朱桂熠,
申请(专利权)人:南京航空航天大学,
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。