[发明专利]面向遥感图像弱小目标的融合多层级特征目标检测方法

说明书

本发明涉及一种面向遥感图像弱小目标的融合多层级特征目标检测方法，所述方法基于卷积神经网络和遥感图像弱小目标的多层级特征，通过端到端的目标检测网络，提升对遥感图像弱小目标的检测精度。本发明基于实际工程中遥感图像弱小目标存在尺寸小，如：几十个像素、特征弱的特性，提出一种针对此类弱小目标的检测方法，该方法通过卷积神经网络逐层提取目标特征、跨层级通道融合目标特征、位置注意力机制聚合目标特征及双支路特征图预测目标，形成端到端的目标检测网络，以达到对遥感图像弱小目标进行高精度高速率检测的目的。实验表明，本发明可以有效提升遥感图像弱小目标检测的查全率和查准率。

技术领域

本发明属于计算机视觉与机器学习技术领域，具体涉及一种面向遥感图像弱小目标的融合多层级特征目标检测方法。

背景技术

随着遥感图像目标检测领域的发展，弱小目标检测逐渐成为遥感对地观测的研究重点。弱小目标在遥感图像中呈现特征弱、尺寸小等特点，其中特征弱主要体现于弱小目标轮廓不清晰、纹理特征不突出、与邻近背景特征相似度高等，尺寸小主要体现于弱小目标在遥感图像中所占像素数少，如：几十个像素，因此在遥感图像中仅能提取少量弱小目标有效特征，难以进行遥感图像弱小目标检测。

近年来，深度学习方法在目标检测领域表现出巨大优势。深度学习方法可以事先从海量数据集中进行特征学习，充分提取用于待检目标的浅层表观特征和深层语义特征。在训练样本充足的情况下，训练后的网络模型泛化能力强，能够应对各种复杂环境下的目标检测。

对于特征清晰、尺寸较大的目标，主要使用常规目标检测方法，如Faster R-CNN、SSD、YOLO系列方法等，均能取得较高的目标检测精度；然而，为能够准确检测弱小目标，常规的目标检测方法已经无法满足当下的要求，需要根据弱小目标的特性，针对性地提出有利于提升弱小目标检测精度的关键技术。

发明内容

为克服常规目标检测方法对遥感图像弱小目标检测时存在的检测精度低问题，本发明提出了一种面向遥感图像弱小目标的融合多层级特征目标检测方法。

本发明提出了面向遥感图像弱小目标的融合多层级特征目标检测方法，该方法基于卷积神经网络和遥感图像弱小目标的多层级特征，通过端到端的目标检测网络，提升对遥感图像弱小目标的检测精度；所述检测方法的具体过程为：

步骤1：将存在弱小目标的遥感图像输入卷积神经网络，由主干特征提取网络对遥感图像进行采样，形成图像特征金字塔；

步骤2：对所述图像特征金字塔中的部分层级进行翻倍的上采样和下采样操作，并对相邻特征提取层上下级特征进行融合，提取融合特征；

步骤3：通过空间特征聚合模块聚合特征，进行双支路特征图弱小目标预测；最后利用非极大值抑制算法NMS，得到弱小目标检测结果。

进一步的，所述步骤1具体为：

将存在弱小目标的遥感图像输入卷积神经网络，由主干特征提取网络对遥感图像连续进行四次下采样，下采样倍数均为两倍，由此提取图像的浅层至深层特征，对应层级编号为p_i(i＝0,1,2,3,4)，形成图像特征金字塔。

更进一步的，所述步骤2具体为：

对图像特征金字塔中的p₂、p₃、p₄层分别通过最近邻插值法进行上采样操作，通过卷积进行下采样操作，并对相邻特征提取层上下级特征进行融合，提取具有目标纹理信息和语义信息的更有效特征；同时，特征金字塔的p₂、p₃、p₄层均存在特征融合的输入及输出节点，在中间层级的输入及输出节点之间额外增加一条特征融合路径，融合更多通道特征；最后，输出跨层级多通道融合后的双支路特征图；

所述的特征融合由下式表示：