[发明专利]基于注意力机制的遥感图像小样本舰船检测方法

说明书

本发明公开了一种基于注意力机制的遥感图像小样本舰船检测方法，并应用于遥感图像小样本舰船检测任务当中。包括：将支持集中的支持图像和查询集中的查询图像均输入至权重共享网络中进行特征提取，分别对应输出目标平均特征图和查询图像特征图；将目标平均特征图进行平均池化后得到目标平均特征图的下采样结果S_k，通过将目标平均特征图的下采样结果作为卷积核，在查询图像特征图做可分离卷积的方式，计算查询集和支持集的相似性，输出注意力特征图；对注意力特征图进行预测，输出检测结果。在提取目标特征阶段，采用多分支并行的网络结构，可以在提取特征的阶段使用标签信息，并添加了注意力模块，提高了网络快速学习新目标特征的能力。

技术领域

本发明涉及模式识别与机器学习技术领域，更具体的说是涉及遥感图像分析和舰船检测分类。

背景技术

深度学习作为近几年兴起的人工智能技术，广受国家、社会各界的关注。其极大推动了计算机视觉和机器语言等领域的发展和落地应用。作为广受大家关注的重要技术，无数的科研工作人员为之投入了很多努力，深度学习现在已经在广泛地使用在社会生活的各个方面，比如人脸识别，自动驾驶，语音助手等。近几年来，目标检测算法取得了很大的突破。具有代表性的算法主要有基于两阶段的RCNN系列和一阶段的YOLO系列。但是基于深度学习的目标检测算法是基于数据驱动的，需要标注大量的数据。部分特殊类别的并没有足够的样本数据。因此，小样本学习应运而生。

小样本舰船检测是一种特殊的遥感图像目标检测问题，目的是在不需要大量样本作为训练数据的情况下，在遥感图像中检测到待检测的舰船。小样本舰船检测其特殊性在于可以避免深度学习算法对数据量的硬性要求，从而直接缓解获取数据难，标注数据耗时耗力的问题。

当前小样本学习问题主要有三种解决办法：基于数据增广的方法，基于度量学习的方法和基于元学习的方法。

基于数据增广的方法思路清晰简单，不会对现有的目标检测模型有改动。主要是使用有限的样本对数据进行扩充，比如将图像进行旋转、翻转、裁剪、拼接、缩放等。此方法依旧顺从了深度学习数据需求量大的问题，并未从根本上解决小样本学习的问题。对于新生成的数据，由于不是真实场景下的生成的图像，会影响数据的分布情况，进而让模型学习到错误的知识。

基于度量学习的方法是对模型进行改进，在特征空间中使同类物体距离变近，异类物体距离变远。其代表方法是孪生网络(Siamese Networks)、匹配网络(MatchingNetworks)、原型网络(Prototype Networks)等。基于度量学习的方法对模型性能的提升效果有限。

基于元学习的方法本质上是将训练过成中一次次的学习看作是不同的任务，目的是让模型在面对新任务的时候有最好的初始化参数。元学习的代表算法有MAML。目前元学习应用于分类任务较多，应用于检测任务的算法较少，难度较大。

因此，如何让模型快速学习到舰船目标的特征是小样本舰船检测技术亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种基于注意力机制的遥感图像小样本舰船检测方法，提高了网络快速学习新目标特征的能力，提高了遥感图像小样本舰船检测的准确率和效率。

为了实现上述目的，本发明采用如下技术方案：

基于注意力机制的遥感图像小样本舰船检测方法，包括：

将支持集中的支持图像和查询集中的查询图像均输入至权重共享网络中进行特征提取，分别对应输出目标平均特征图和查询图像特征图；

将所述目标平均特征图进行平均池化后得到目标平均特征图的下采样结果S_k，通过将目标平均特征图的下采样结果作为卷积核，在查询图像特征图做可分离卷积的方式，计算所述查询集和所述支持集的相似性，输出注意力特征图；

对所述注意力特征图进行预测，输出检测结果。