【技术实现步骤摘要】
本专利技术属于计算机视觉，特别涉及一种基于机器学习的卫星图像识别方法。
技术介绍
1、特征金字塔是深度学习领域中备受瞩目的特征处理技术，能够在不同的尺度上提取并融合特征，使得模型能够处理不同大小的目标，可以在不同尺度下对不同大小的目标进行预测，从而提高模型的性能，相比单特征图语义信息更加丰富，但是特征金字塔也存在一些缺陷，如同尺度上的特征可能存在不一致性，这就需要一些更加合适的特征融合方式，使得特征处理更强。
2、卫星图像识别是指利用卫星获取的遥感图像进行地物、地貌、自然资源等目标的识别和分类。这种技术已经成为地球观测和地理信息处理领域的重要工具，为环境监测、城市规划、农业管理、资源勘查、灾害监测等提供了强大的支持。
3、卫星图像识别中可以使用特征金字塔进行目标识别，特征金字塔能够在不同尺度下提取特征，使得模型能够更好地捕捉目标物体的多尺度信息，从而提高识别准确性和鲁棒性，特别是对于大小不一、形状复杂的目标，以及在图像中存在尺度变化的情况下，特征金字塔能够提供更全面、更有效的特征表示，从而增强了卫星图像识别模型的性能和泛化能力。
技术实现思路
1、本专利技术提供一种基于机器学习的卫星图像识别方法，旨在传统特征金字塔基础上引入粗粒度和细粒度信息处理过程，加强特征细化，提高特征质量，从而提高卫星图像中目标的识别效果。
2、本专利技术对于传统特征金字塔作出了改进，提供一种基于机器学习的卫星图像识别方法，包括以下步骤：
3、s1、获取卫星图像
4、s2、卫星图像数据标注，对获取图像进行标注，标注目标为图像中的铁路和公路，标注完成后，获得卫星图像数据集，划分训练集、验证集和测试集；
5、s3、构建细粒度特征处理模块，用于在细粒度层面处理输入特征；
6、s4、构建粗粒度特征处理模块，用于在粗粒度层面处理输入特征；
7、s5、构建改进特征融合模块，输入多层特征图，使用pan结构、细粒度特征处理模块和粗粒度特征处理模块进行特征融合，输出多层特征图用于检测；
8、s6、构建卫星图像识别模型，依次由输入、骨干网络、改进特征融合模块、检测头、输出组成；
9、s7、使用训练集和验证集训练卫星图像识别模型，使用训练集进行模型训练，使用验证集进行模型性能验证，使用准确率、召回率和f1分数指标确定模型是否满足要求，根据验证结果调整训练参数；
10、s8、使用卫星图像识别模型进行识别，输入待检测卫星图像，图像首先经过骨干网络，得到特征图c2、c3、c4和c5，将c2、c3、c4和c5输入到改进特征融合模块，得到c2、p3检测特征、p4检测特征和p5，将c2、p3检测特征、p4检测特征和p5输入到四个对应检测头中得到检测结果，然后输出检测结果。
11、优选地，在s3步骤中，细粒度特征处理模块具体操作为，输入特征c2，，h和w代表特征图的高和宽，c代表特征图的通道数，将c2输入到步幅为s的s×s卷积层，然后输出特征的每一行像素，，的高为h/s，的宽为w/s，的通道数为d，将每个视作一个图节点，这样可以得到的图节点数量为h/s×w/s，且映射到原始图像中4s×4s大小的块，因此，由图像块组成的图可以表示为，代表第图中第n个节点，n=h/s×w/s，图中每两个节点之间存在边，即信息将使用gat通过边进行聚合，同时只连接与每个节点欧氏距离最远的k个节点，使用矩阵对每个节点进行线性变换，，等于，然后使用共享的自注意力权重矩阵计算节点对的注意力系数，，等于，对于图中节点的一阶邻居节点，计算节点的，，同时使用softmax函数对所有选择的进行归一化，，其中t代表转置，代表串联，代表leakyrelu函数，对于输出特征，，，，然后对使用卷积和上采样，输出c2的细粒度特征，。
12、优选地，在s4步骤中，粗粒度特征处理模块具体操作为，以p3为例，经过14×14的roialign操作的p3，，和代表p3的高和宽，c代表p3的通道数，首先经过3×3卷积层以生成初始特征f1，，同时输入c2生成的细粒度特征，维度为h×w×c，经过3×3卷积层和roialign操作以生成初始特征f2，，并将f1与f2连接起来得到f3，，然后将f3进行1×1卷积和2倍上采样，获得输出特征f4，。
13、优选地，在s5步骤中，对于改进特征融合模块，输入四个不同尺度的特征图，分别为c2、c3、c4和c5，其中c2尺度最大，c5尺度最小，将c3、c4和c5经过pan结构，输出p3、p4和p5，对p3进行特征融合操作，首先将c2输入到细粒度特征处理模块获得c2细粒度特征，将p3进行roialign操作后，和c2细粒度特征一起输入到第一个粗粒度特征处理模块，输出p3中间特征，将p3中间特征和c2细粒度特征一起输入到第二个粗粒度特征处理模块得到p3检测特征，对p4进行特征融合操作，首先将c2输入到细粒度特征处理模块获得c2细粒度特征，将p4进行roialign操作后，和c2细粒度特征一起输入到第三个粗粒度特征处理模块，输出p4中间特征，将p4中间特征和c2细粒度特征一起输入到第四个粗粒度特征处理模块得到p4检测特征，最后输出c2、p3检测特征、p4检测特征和p5。
14、优选地，在s5步骤中，pan结构的处理过程为，输入c3、c4和c5，c5通过上采样获得c5上采样特征，将c5上采样特征和c4进行特征连接，得到c4中间特征，将c4中间特征上采样得到c4上采样中间特征，将c4上采样中间特征和c3特征连接，得到c3输出特征，将c3输出特征进行卷积操作，得到c3卷积输出特征，将c3卷积输出特征和c4中间特征进行连接获得c4输出特征，将c4输出特征进行卷积操作，得到c4卷积输出特征，将c4卷积输出特征和c5特征进行连接获得c5输出特征，最后，将c3输出特征、c4输出特征和c5输出特征分别输出为p3、p4和p5。
15、与现有技术相比，本专利技术具有以下技术效果：
16、本专利技术提供的技术方案提出了改进特征融合模块，应用于卫星图像识别场景，包含pan结构、细粒度特征处理模块和粗粒度特征处理模块，pan结构可以有效地融合不同尺度的特征信息，细粒度特征处理模块提取大尺度特征图中的有效特征细节，结合粗粒度特征处理模块进行特征细化，提高特征质量，从而提高目标的识别效果。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的卫星图像识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器学习的卫星图像识别方法，其特征在于，在S3步骤中，细粒度特征处理模块具体操作为，输入特征C2，，h和w代表特征图的高和宽，c代表特征图的通道数，将C2输入到步幅为s的s×s卷积层，然后输出特征的每一行像素，，的高为h/s，的宽为w/s，的通道数为d，将每个视作一个图节点，这样可以得到的图节点数量为h/s×w/s，且映射到原始图像中4s×4s大小的块，因此，由图像块组成的图可以表示为，代表第图中第n个节点，n=h/s×w/s，图中每两个节点之间存在边，即信息将使用GAT通过边进行聚合，同时只连接与每个节点欧氏距离最远的k个节点，使用矩阵对每个节点进行线性变换，，等于，然后使用共享的自注意力权重矩阵计算节点对的注意力系数，，等于，对于图中节点的一阶邻居节点，计算节点的，，同时使用softmax函数对所有选择的进行归一化，，其中T代表转置，代表串联，代表LeakyReLU函数，对于输出特征，，，，然后对使用卷积和上采样，输出C2的细粒度特征，。
3.根据权利要
4.根据权利要求1所述的一种基于机器学习的卫星图像识别方法，其特征在于，在S5步骤中，对于改进特征融合模块，输入四个不同尺度的特征图，分别为C2、C3、C4和C5，其中C2尺度最大，C5尺度最小，将C3、C4和C5经过PAN结构，输出P3、P4和P5，对P3进行特征融合操作，首先将C2输入到细粒度特征处理模块获得C2细粒度特征，将P3进行RoIAlign操作后，和C2细粒度特征一起输入到第一个粗粒度特征处理模块，输出P3中间特征，将P3中间特征和C2细粒度特征一起输入到第二个粗粒度特征处理模块得到P3检测特征，对P4进行特征融合操作，首先将C2输入到细粒度特征处理模块获得C2细粒度特征，将P4进行RoIAlign操作后，和C2细粒度特征一起输入到第三个粗粒度特征处理模块，输出P4中间特征，将P4中间特征和C2细粒度特征一起输入到第四个粗粒度特征处理模块得到P4检测特征，最后输出C2、P3检测特征、P4检测特征和P5。
5.根据权利要求1所述的一种基于机器学习的卫星图像识别方法，其特征在于，在S5步骤中，PAN结构的处理过程为，输入C3、C4和C5，C5通过上采样获得C5上采样特征，将C5上采样特征和C4进行特征连接，得到C4中间特征，将C4中间特征上采样得到C4上采样中间特征，将C4上采样中间特征和C3特征连接，得到C3输出特征，将C3输出特征进行卷积操作，得到C3卷积输出特征，将C3卷积输出特征和C4中间特征进行连接获得C4输出特征，将C4输出特征进行卷积操作，得到C4卷积输出特征，将C4卷积输出特征和C5特征进行连接获得C5输出特征，最后，将C3输出特征、C4输出特征和C5输出特征分别输出为P3、P4和P5。
...【技术特征摘要】
1.一种基于机器学习的卫星图像识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器学习的卫星图像识别方法，其特征在于，在s3步骤中，细粒度特征处理模块具体操作为，输入特征c2，，h和w代表特征图的高和宽，c代表特征图的通道数，将c2输入到步幅为s的s×s卷积层，然后输出特征的每一行像素，，的高为h/s，的宽为w/s，的通道数为d，将每个视作一个图节点，这样可以得到的图节点数量为h/s×w/s，且映射到原始图像中4s×4s大小的块，因此，由图像块组成的图可以表示为，代表第图中第n个节点，n=h/s×w/s，图中每两个节点之间存在边，即信息将使用gat通过边进行聚合，同时只连接与每个节点欧氏距离最远的k个节点，使用矩阵对每个节点进行线性变换，，等于，然后使用共享的自注意力权重矩阵计算节点对的注意力系数，，等于，对于图中节点的一阶邻居节点，计算节点的，，同时使用softmax函数对所有选择的进行归一化，，其中t代表转置，代表串联，代表leakyrelu函数，对于输出特征，，，，然后对使用卷积和上采样，输出c2的细粒度特征，。
3.根据权利要求1所述的一种基于机器学习的卫星图像识别方法，其特征在于，在s4步骤中，粗粒度特征处理模块具体操作为，以p3为例，经过14×14的roialign操作的p3，，和代表p3的高和宽，c代表p3的通道数，首先经过3×3卷积层以生成初始特征f1，，同时输入c2生成的细粒度特征，维度为h×w×c，经过3×3卷积层和roialign操作以生成初始特征f2，，并将f1与f2连接起来得到f3，，然后将f3进行1×1卷积和2倍上采样，获得输出特征f4，。
...
【专利技术属性】
技术研发人员：耿雪川，宋焕文，张坤，舒珊，朴勋，高艳娜，
申请(专利权)人：青岛理工大学，
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。