[发明专利]一种增强型遥感影像目标检测方法及系统

说明书

本发明提供一种增强型遥感影像目标检测方法及系统，包括输入带标注的高分辨率影像数据集；设置增强型目标检测模型，包括利用嵌入式连接和跳跃连接的形式来构建一种增强型目标检测模型，通过嵌入式连接来实现不同空间分辨率的特征上采样过程，同时利用跳跃连接来补充丢失的细节信息，实现增强模型特征表征的能力，从而提供一阶目标检测框架实现高分辨率遥感影像目标检测任务；对所得增强型目标检测模型的训练，根据训练后的模型对输入影像进行目标检测所得结果。本发明提供的增强型遥感影像目标检测方法不仅可以有效地改进传统方法的性能，还可以应用于星上受限环境下的在轨目标实时检测任务。

技术领域

本发明属于卫星遥感影像目标检测领域，特别涉及到了一种高分辨率遥感影像的目标检方案，提出了一种增强型目标检测网络来实现高分辨率下的遥感影像目标识别任务。

背景技术

近些年来，我国完成了一系列的遥感卫星发射任务，构建了高空间分辨率、高时间分辨率的天基观测系统。为此，高分辨率遥感影像的获取变得也来越容易。针对高分辨率的遥感影像目标检测任务，如机场飞机检测以及型号的识别、海上船舶检测、高速车辆检测等，可以快速、准确地提取感兴趣目标具有重要意义。

随着人工智能技术的不断发展，深度学习(Deep learning,DL)在计算机视觉领域得到了广泛的应用，深度学习最主要的是构建神经网络模型来实现对目标的检测任务。目前比较成熟的目标检测网络可以分为一阶检测模型和二阶检测模型。一阶检测模型主要是以YOLO系列为代表，最主要的优势在于检测速度快，可以满足在轨环境下的目标实时检测任务，但是检测精度不够高，不能满足实际精度需求；二阶检测模型则是以RCNN系列模型为代表，优势在于检测的精度较高，但是速度较慢，不适用于在轨的目标实时检测与识别任务。

遥感影像不同于自然场景影像，一般需要检测的目标大小差异较大，同一类的目标可能会由于视角、分辨率等因素影像产生较大的差异；目标分布不均匀，有些场景下目标分布较密集，有的较稀疏；受光照、云层、传感器成像方式影响较大。直接采用普通的目标检测模型很难有效地提取关键信息，感兴趣目标检测精度较差。

发明内容

本发明针对当前高分辨率遥感影像的目标检测中有效信息难以提取、检测精度较差的问题，提供了一种增强型遥感影像目标检测方案来增加模型的特征提取能力和检测精度。

本发明提供的技术方案为一种增强型遥感影像目标检测方法，包括以下步骤：

步骤1，输入带标注的高分辨率影像数据集；

步骤2，设置增强型目标检测模型，包括利用嵌入式连接和跳跃连接的形式来构建一种增强型目标检测模型，通过嵌入式连接来实现不同空间分辨率的特征上采样过程，同时利用跳跃连接来补充丢失的细节信息，实现增强模型特征表征的能力，从而提供一阶目标检测框架实现高分辨率遥感影像目标检测任务；

步骤3，模型训练，包括对步骤2所得增强型目标检测模型的训练；

步骤4，输出结果，根据步骤3训练后的模型对输入影像进行目标检测所得结果。

而且，步骤1中采用了我国高分二号卫星和GoogleEarth上的高分辨率遥感影像作为数据源，并通过人工标注目标的形式构建了高分辨率遥感影像目标检测数据集。

而且，所述增强型目标检测模型中，设给定的输入图像为X，表示卷积运算，其中W和H分别表示特征图的宽度和高度大小，i用于表示卷积层块的级别，则有

其中，表示降采样运算，Δ表示上采样运算，表示特征图拼接运算，χ_i,i∈[0,9]表示输入特征图，f_spp表示空间金字塔池化层输出的特征图；