【技术实现步骤摘要】
本专利技术属于图像处理领域，具体涉及一种基于大核卷积和分层多尺度特征融合的遥感图像微小目标检测方法。
技术介绍
1、近年来，随着地球观测技术的快速发展，获取大量数据变得愈加容易，极大地推动了光学遥感图像小目标检测的发展。光学遥感图像小目标检测通过精确定位和识别图中目标，在军事侦察、海洋监测、智能监控、生态环境监测和灾后应急管理等多个实际应用中发挥着重要作用。然而，光学遥感成像的特性带来了诸多挑战。由于目标与探测器之间的距离较远，遥感图像中往往包含大量小于16×16像素的微小目标，有时甚至只有几个像素，显著增加了有效特征提取的难度。此外，光学遥感图像常受到复杂背景信息和不利气象条件的影响，例如光照变化和天气干扰，导致图像的信噪比低，并加剧了目标与背景的混淆。同时，遥感图像中可能存在多种尺度的目标并密集排列。这些因素使得光学遥感图像小目标检测成为一个更具挑战性的任务。
2、随着卷积神经网络的快速发展，许多计算机视觉领域的最新检测方法也被扩展至遥感领域。基于卷积神经网络的方法逐渐成为主流，并已推动遥感图像目标检测的进展。目前，测方法主要分为两类：两阶段检测器和单阶段检测器这两类算法针对常规尺寸的目标检测表现出色，但处理光学遥感图像中微小目标检测任务时性能表现往往欠佳。
3、为进一步提升微小目标检测算法性能，其中包括对图像进行超分辨率操作、提取目标上下文信息和多尺度特征提取和融合。然而上述优化策略通常会带来的额外训练需求量，或者依赖手工标签，又或者增加算法模型参数，降低推理速度等，从而影响算法性能，在检测准确率和
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提供一种基于大核卷积和分层多尺度特征融合的遥感图像微小目标检测方法，所述遥感图像微小目标检测方法可以显著遥感图像微小目标检测的精度，降低模型参数量并略微提升了推理速度。
2、本专利技术解决上述技术问题的技术方案是：
3、一种基于大核卷积和分层多尺度特征融合的遥感图像微小目标检测方法，包括以下步骤：
4、(s1)、构建数据集：对ai-todv2遥感数据集进行数据预处理；
5、(s2)、构建replkhgstem模块：根据5x5大核卷积、重参数化和残差连接技术设计replkhgstem模块以代替原始yolov8的stem模块；
6、(s3)、构建mfs-bolck模块：在原始yolov8的c2f bolck模块,根据梯度流、分层多尺度特征融合技术设计mfs-bolck模块,以代替原始yolov8的c2f-bolck模块；
7、(s4)、构建phead检测头模块：结合部分卷积设计轻量化检测头phead模块,以代替原始yolov8的检测头模块；
8、(s5)、构建mfs-yolo网络：将mfs-bolck模块、mfs-bolck模块和phead检测头结合构建mfs-yolo网络；
9、(s6)、训练mfs-yolo网络并评估：使用mfs-yolo网络结构作为遥感图像识别网络，通过训练得到遥感图像微小目标检测的深度学习模型。
10、优选的，在步骤(s1)中，对ai-todv2遥感数据集进行数据预处理，包括以下步骤：
11、(s1-1)、数据预处理：对数据集进行一系列图像处理操作，包括颜色增强、旋转平移、缩放剪切、透视、翻转、mosaic。
12、优选的，在步骤(s2)中，根据5x5大核卷积、重参数化和残差连接技术设计replkhgstem模块以代替原始yolov8的stem模块，包括以下步骤：
13、(s2-1)、引入hgstem替换原生yolov8 stem模块，hgstem通过延迟下采样策略，即在初步下采样后引入多个3x3卷积和最大池化层，渐进提取特征，更好地保留了图像信息和细节；
14、(s2-2)、利用5x5大核卷积和重参数化设计出5x5repconv，假设x∈rh×w×c是输入特征，则5x5repconv可表示为：
15、x＝γ(bn(conv5×5(x))+bn(conv5×5(x))) (1)
16、其中，bn表示批标准化，γ表示激活函数relu，conv2x2和conv5x5分别表示5x5和3x3卷积，然后，通过采用重参数化技术，模型在训练完成后，会将2x2卷积核融入5x5卷积核之中，从而在推理阶段消除了对2x2卷积核的依赖；
17、(s2-3)、将5x5repconv替换掉hgstem模块原有2x2卷积，然后在2个5x5repconv加上残差连接，即设计出replkhgstem模块，然后用replkhgstem模块替换原有yolov8 stem模块。
18、优选的，在步骤(s3)中，在原始yolov8的c2fbolck模块,根据梯度流、分层多尺度特征融合技术设计mfs-bolck模块,以代替原始yolov8的c2f-bolck模块，包括以下步骤：
19、(s3-1)、mfs_c2f模块在c2f的的基础上，引入更多的梯度流和分层多尺度特征融合机制；
20、(s3-2)、假设x是输入特征，x先经过1x1卷积之后引入分割操作将特征分为x1与x2,分割后的数据流分为两个分支,x2经过1x1卷积后引入分割操作将特征分为x21和x22，其中x21直接输送至concat操作，而x22则在进入bottleneck前与x1中保留的原始信息融合得到x’，随后被送入bottleneck结构以进行深度的多尺度特征提取；
21、(s3-3)、将从步骤(s3-2)中两个分支产生的所有特征图再次合并，并通过1x1卷积统一特征表示。
22、优选的，在步骤(s4)中，设计phead检测头模块代替原始yolov8检测头模块，包括以下步骤：
23、(s4-1)、通过在分类(cls)与回归(reg)两个分支的起始阶段引入1x1卷积，之后，特征通过pconv和1x1卷积的交替处理，此过程重复两轮，最终通过一个1x1卷积进行通道数调整。
24、优选的，在步骤(s5)中，将mfs-bolck模块、mfs-bolck模块和phead检测头分别替换原始yolov8的stem模块、c2f-bolck模块和检测头，结合构建mfs-yolo网络。
25、优选的，在步骤(s6)中，将ai-todv2数据集输入输入mfs-yolo进行训练并评估。
26、本专利技术与现有技术相比具有以下的有益效果：
27、1、本专利技术的基于大核卷积和分层多尺度特征融合的遥感图像微小目标检测方法设计了replkhgstem模块，replkhgstem模块能够通过扩大感受野增强模型对上下文信息和局部细节的捕捉,而且引入的多尺度特征提取与融合策略显著显著提升模型对目标的识别，有助于优化网络性能本文档来自技高网...
【技术保护点】
1.一种基于大核卷积和分层多尺度特征融合的遥感图像微小目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于大核卷积和分层多尺度特征融合的遥感图像微小目标检测方法，其特征在于，在步骤(S1)中，对AI-TODv2遥感数据集进行数据预处理，包括以下步骤：
3.根据权利要求1所述的一种基于大核卷积和分层多尺度特征融合的遥感图像微小目标检测方法，其特征在于，在步骤(S2)中，根据5x5大核卷积、重参数化和残差连接技术设计RepLKHGStem模块以代替原始YOLOv8的Stem模块，包括以下步骤：
4.根据权利要求1所述的一种基于大核卷积和分层多尺度特征融合的遥感图像微小目标检测方法，其特征在于，在步骤(S3)中，在原始YOLOv8的C2f bolck模块,根据梯度流、分层多尺度特征融合技术设计MFS-Bolck模块,以代替原始YOLOv8的C2f-Bolck模块，包括以下步骤：
5.根据权利要求1所述的一种基于大核卷积和分层多尺度特征融合的遥感图像微小目标检测方法，其特征在于，在步骤(S4)中，设计PHead检测头模
6.根据权利要求1所述的一种基于大核卷积和分层多尺度特征融合的遥感图像微小目标检测方法，其特征在于，在步骤(S5)中，将MFS-Bolck模块、MFS-Bolck模块和PHead检测头分别替换原始YOLOv8的Stem模块、C2f-Bolck模块和检测头，结合构建MFS-YOLO网络。
...【技术特征摘要】
1.一种基于大核卷积和分层多尺度特征融合的遥感图像微小目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于大核卷积和分层多尺度特征融合的遥感图像微小目标检测方法，其特征在于，在步骤(s1)中，对ai-todv2遥感数据集进行数据预处理，包括以下步骤：
3.根据权利要求1所述的一种基于大核卷积和分层多尺度特征融合的遥感图像微小目标检测方法，其特征在于，在步骤(s2)中，根据5x5大核卷积、重参数化和残差连接技术设计replkhgstem模块以代替原始yolov8的stem模块，包括以下步骤：
4.根据权利要求1所述的一种基于大核卷积和分层多尺度特征融合的遥感图像微小目标检测方法，其特征在于，在步骤(s3)中，...
【专利技术属性】
技术研发人员：邸江磊，刘耿焕，豆嘉真，秦玉文，
申请(专利权)人：广东工业大学，
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。