【技术实现步骤摘要】
本专利技术涉及遥感图像处理，更具体的说是涉及一种基于多尺度特征复用的遥感图像目标检测方法。
技术介绍
1、遥感图像在国防安全、环境监测、城市规划等领域具有广泛的应用前景。遥感图像目标检测技术一直以来都是遥感领域的研究重点之一。当前主流的遥感图像目标检测方法主要基于卷积神经网络构建，经过特征提取，特征融合，特征解耦后输出潜在目标区域的预测框和类型信息。其中，特征提取网络扮演着重要的作用，也是整个目标检测模型最核心的架构之一。现阶段主流的目标检测模型大多基于卷积神经网络构建，其特征提取网络由基础卷积模块堆叠组成。由于遥感图像具有目标尺度变化剧烈的特性，这使得典型遥感目标如飞机，舰船，田径场等，呈现出尺度差异大，特征提取难的问题。这导致了遥感图像目标舰船模型精度不佳，常规基于自然图像的目标检测模型难以有效应用的遥感图像解译难题。
2、因此，如何提升目标检测模型对尺度变化目标的多维信息感知能力，帮助模型捕捉到关于潜在目标区域的更有价值的多尺度目标特征信息，进而更准确地理解图像内容，正确识别和定位遥感图像中的潜在的目标，是本领域技术人员亟需解决的问题。
技术实现思路
1、鉴于上述问题，本专利技术提供一种基于多尺度特征复用的遥感图像目标检测方法，以至少解决上述
技术介绍
中提到的部分技术问题。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术提供了一种基于多尺度特征复用的遥感图像目标检测方法，包括：
4、将获取的遥感图像输入至训练好
5、所述遥感图像目标检测模型包括骨干特征提取网络、特征融合网络和特征解耦头。
6、进一步地，所述将获取的遥感图像输入至训练好的遥感图像目标检测模型中，输出所述遥感图像中的潜在目标；具体包括：
7、通过所述骨干特征提取网络对输入的所述遥感图像进行特征提取，获得特征图；
8、通过所述特征融合网络对所述特征图进行融合处理，获得融合特征图；
9、通过所述特征解耦头对所述融合特征图进行解耦处理，获得特征图潜在目标区域的位置和类别，并进行输出。
10、进一步地，所述骨干特征提取网络基于多尺度特征采样模块搭建而成。
11、进一步地，所述多尺度特征采样模块包括通道分割模块、通道混洗模块、特征拼接模块、动态卷积模块和点卷积模块；其中：
12、所述通道分割模块，用于按照预设比例对输入特征图的通道维度进行分割，获得多个子特征图；
13、所述通道混洗模块，用于交换所述多个子特征图的通道顺序；
14、所述特征拼接模块，用于将交换通道顺序后的所述多个子特征图进行拼接，获得与所述输入特征图相同形状的多尺度特征图；
15、所述动态卷积模块，用于从所述多尺度特征图的潜在目标区域中提取多尺度特征；
16、所述点卷积模块，用于调整输出特征图的通道维度。
17、进一步地，所述骨干特征提取网络由多个卷积模块堆叠而成。
18、进一步地，每个所述卷积模块内包含基础卷积算子，归一化模块和激活函数；其中：
19、所述基础卷积算子，用于对输入的遥感图像的通道信息进行逐像素级别的计算，以实现特征提取；
20、所述归一化模块，用于将计算后的通道结果归一化到标准区间内；
21、所述激活函数，用于对潜在目标区域的特征矩阵进行激活和抑制。
22、进一步地，所述特征解耦头包括基础卷积模块和预测函数；
23、所述基础卷积模块，用于对所述融合特征图的形状和通道维度进行处理；
24、所述预测函数，用于预测特征图潜在目标区域的位置和类别，并输出结果。
25、进一步地，采用焦点损失、旋转框交并比损失和交叉熵损失对遥感图像目标检测模型进行遥感图像目标检测任务训练；具体表示为：
26、
27、其中，y表示目标真值标签；表示遥感图像目标检测模型的预测结果；loss表示训练过程中所采用的总损失；focalloss表示焦点损失，用于遥感图像目标检测任务的分类预测分支；rotatediouloss表示旋转框交并比损失，用于计算预测框与输入的遥感图像对应的目标真值标签之间的距离。
28、经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种基于多尺度特征复用的遥感图像目标检测方法，包括如下有益效果：
29、1、本专利技术通过基于多尺度特征复用的遥感图像目标检测模型，能够有效的提升目标检测模型对尺度变化目标的多维信息感知能力，进而更准确地理解图像内容，正确识别和定位遥感图像中的潜在的目标。
30、2、本专利技术在特征提取阶段，通过设计不同分割比例下的特征图通道维度的变化，能够帮助遥感图像目标检测模型更好地捕捉到关于潜在目标区域的多维视角下的多尺度特征信息，实现精准的遥感图像目标检测任务识别。
31、本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。
32、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种基于多尺度特征复用的遥感图像目标检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多尺度特征复用的遥感图像目标检测方法，其特征在于，所述将获取的遥感图像输入至训练好的遥感图像目标检测模型中，输出所述遥感图像中的潜在目标；具体包括：
3.根据权利要求2所述的一种基于多尺度特征复用的遥感图像目标检测方法，其特征在于，所述骨干特征提取网络基于多尺度特征采样模块搭建而成。
4.根据权利要求3所述的一种基于多尺度特征复用的遥感图像目标检测方法，其特征在于，所述多尺度特征采样模块包括通道分割模块、通道混洗模块、特征拼接模块、动态卷积模块和点卷积模块；其中：
5.根据权利要求1所述的一种基于多尺度特征复用的遥感图像目标检测方法，其特征在于，所述骨干特征提取网络由多个卷积模块堆叠而成。
6.根据权利要求5所述的一种基于多尺度特征复用的遥感图像目标检测方法，其特征在于，每个所述卷积模块内包含基础卷积算子，归一化模块和激活函数；其中：
7.根据权利要求2所述的一种基于多尺度特征复用的遥感图像目标检测方法，其特
8.根据权利要求1所述的一种基于多尺度特征复用的遥感图像目标检测方法，其特征在于，采用焦点损失、旋转框交并比损失和交叉熵损失对遥感图像目标检测模型进行遥感图像目标检测任务训练；具体表示为：
...【技术特征摘要】
1.一种基于多尺度特征复用的遥感图像目标检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多尺度特征复用的遥感图像目标检测方法，其特征在于，所述将获取的遥感图像输入至训练好的遥感图像目标检测模型中，输出所述遥感图像中的潜在目标；具体包括：
3.根据权利要求2所述的一种基于多尺度特征复用的遥感图像目标检测方法，其特征在于，所述骨干特征提取网络基于多尺度特征采样模块搭建而成。
4.根据权利要求3所述的一种基于多尺度特征复用的遥感图像目标检测方法，其特征在于，所述多尺度特征采样模块包括通道分割模块、通道混洗模块、特征拼接模块、动态卷积模块和点卷积模块；其中：
5....
【专利技术属性】
技术研发人员：李冠群，
申请(专利权)人：耕宇牧星北京空间科技有限公司，
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。