[发明专利]一种基于注意力机制的遥感图像目标检测方法

说明书

本发明提供的一种基于注意力机制的遥感图像目标检测方法，包括以下步骤：步骤1，对数据集进行增强处理，得到增强后的数据集；步骤2，构建基于注意力机制的目标检测模型，并通过步骤1中得到的增强后的数据集训练该目标检测模型，直至达到相应的停止条件；本发明的增强处理技术能够更好的利用有限的高分辨率遥感图像中的目标信息，能够辅助模型更准确的识别出遥感图像中具有多种旋转角度的目标；同时，构建的基于注意力机制的目标检测模型能够有效的利用遥感图像的上下文信息，使模型能够利用其它位置的信息辅助当前位置目标的识别；进而使得本发明能够大大提高目标检测的识别精度与定位准确度。

技术领域

本发明属于遥感图像处理，深度学习以及目标检测领域，特别涉及一种基于注意力机制的遥感图像目标检测方法。

背景技术

遥感图像的目标检测是在高分辨率的卫星或者航空图像中检测是否存在一个或者多个感兴趣的目标，并且给出每个目标的边界框以及其相应的物体类别。这里的目标不仅仅包括人造物体如汽车，轮船，建筑物等与背景具有明确边界的目标，并且还包括地形目标如随着遥感技术的飞速发展，产生了大量的高分辨率遥感图像。而在遥感图像分析领域，目标检测是一项十分重要的基础技术，其在交通规划，环境检测，地理灾害预防等领域有着广泛的应用前景。近年来，遥感图像的目标检测逐渐得到了越来越多的关注。

目标检测方法可大概分为四种，基于模板匹配的方法，基于知识的方法，基于OBIA的方法以及机器学习方法。基于使用的模板类型，模板匹配方法可被进一步的分为固定模板匹配和可变模板匹配方法两大类，其主要步骤包括模板生成和相似度度量。而基于知识的目标检测方法则通过使用先验知识如几何信息和纹理信息将目标检测问题转化为一个假设检验问题。基于OBIA的方法主要包括图像分割和目标分类两个步骤，其中如何选择合适的分割尺度是影响目标检测效果的关键因素。

基于机器学习的方法往往包括特征提取，特征融合，维数约减，分类器训练这几个步骤。其中特征提取阶段依赖于生成的候选区域或者感兴趣的区域(ROI),这些候选区域通常使用选择搜索(selective search,SS)算法生成，其方法通常包括手工设计的特征如谱特征，纹理特征和局部图像特征，如尺度不变特征变换，SIFT，梯度方向直方图(histogramof orientedgradients,HOG)等特征。特征分类则主要是训练一个分类器，例如支撑向量机，条件随机场，稀疏编码等。其核心是通过训练一个分类器来辨别ROI的标签(是否是目标)。这些方法严重依赖于手动设计的特征以及有标签的训练样本。

近年来，深度学习技术在图像处理领域取得了巨大成功，深度学习提供了一种可以从大量的训练样本中自动学习特征的方法。基于深度学习技术，学者们提出了多种目标检测算法。主要分为两大类，一类算法是基于候选区域的如R-CNN，Fast R-CNN和Faster R-CNN等。基于候选区域的算法首先筛选出图像中可能存在目标的多个候选区域，然后使用SVM,神经网络等算法来判断候选区域中是否存感兴趣的目标。在Faster R-CNN中，提出使用卷积神经网络Region Proposal Net来生成候选区域，并且使用共享RPN权重的卷积神经网路来判断候选区域的类别以及预测目标位置相对于候选区域的偏移量。这种方法虽然能够达到很高的精度，但是由于其分为两个阶段，其训练和检测速度较慢。另一种是端对端的算法如SSD和YOLO。这类方法将目标检测看作一个回归问题，借助默认边界框(anchorbox)，通过一个步骤就能得到目标的位置以及类别信息。其中SSD使用预定义的宽高比和尺度参数，在VGG16的不同尺度的特征图上都定义了多个默认边界框。YOLO则使用自定义的网络结构，从数据中聚类得到相应的默认边界框。