[发明专利]基于轻量化网络的遥感影像多尺度目标检测识别方法

说明书

本发明公开了一种基于轻量化网络的遥感影像多尺度目标检测识别方法，包括以下步骤：对获取的遥感图像进行预处理；基于深度可分离卷积替换特征提取主干和检测分枝中的标准卷积过程，并将处理后的图像输入卷积神经网络进行特征提取；采用特征金字塔，从卷积神经网络不同层抽取不同尺度特征图像进行预测，融合不同层检测结果，得到多尺度融合特征图；在特征图上设置候选框，生成预测张量，基于此预测目标所属类别的置信度及位置信息。通过引入深度可分离卷积，减少模型参数，提升网络检测速度；提取多个尺度特征图，满足不同尺度目标检测需求；将语义信息特征强的高层特征图与几何信息特征强的底层特征图融合，提升小目标检测性能。

技术领域

本发明涉及遥感图像检测技术领域，更具体的说是涉及基于轻量化网络的遥感影像多尺度目标检测识别方法。

背景技术

目前，随着遥感技术不断发展，遥感影像的分辨率，包括时间分辨率、空间分辨率、辐射分辨率和光谱分辨率正在不断提高，高质量的遥感影像逐渐被广泛应用于军事和民用领域，基于深度学习的遥感影像目标检测也逐渐成为研究热点。为了实现遥感影像中的目标检测，研究学者们相继提出了许多有价值的目标检测方法，目前主流检测算法通常可以分为2类：分阶段检测方法和端到端检测方法。

第一类是分阶段检测方法，该方法一般先通过滑动窗等方法获得候选区域，之后提取特征训练分类器，再通过分类器判断候选框中是否包含目标。目前遥感领域许多目标检测算法都是基于这种方法实现的，这类方法优势在拥有较高的检测精度高。

第二类是基于回归方法的端到端目标检测算法，将候选框提取阶段和类别预测阶段有效结合，YOLO与SSD都是通过回归的方式完成目标检测，使利用深度学习的方式进行目标检测速度大大提升。

但是，现有遥感影像目标检测方法的不足主要包括：分阶段检测方法的检测流程均包含多个阶段，实现过程复杂，通过滑窗提取了大量冗余候选区域，导致检测速度慢，难以满足遥感影像处理实时需求。基于回归方法的端到端目标检测算法主要是针对自然场景设计，而遥感影像范围广，目标尺度差异大，小目标占比大，分辨率低。因此，该方法不能直接适用于遥感图像，存在多尺度目标提取能力差、小目标漏检等问题

因此，引入深度可分离卷积，减少模型参数，提升网络检测速度；提取多个尺度特征图，满足不同尺度目标检测需求；将语义信息特征强的高层特征图与几何信息特征强的底层特征图融合，提升小目标检测性能是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于轻量化网络的遥感影像多尺度目标检测识别方法，通过引入深度可分离卷积，减少模型参数，提升网络检测速度；提取多个尺度特征图，满足不同尺度目标检测需求；将语义信息特征强的高层特征图与几何信息特征强的底层特征图融合，提升小目标检测性能。

为了实现上述目的，本发明采用如下技术方案：

一种基于轻量化网络的遥感影像多尺度目标检测识别方法，包括以下步骤：

S1、对获取的遥感图像进行预处理；

S2、基于深度可分离卷积替换特征提取主干和检测分枝中的标准卷积过程，并将处理后的图像输入卷积神经网络进行特征提取；

S3、采用特征金字塔，从卷积神经网络不同层抽取不同尺度特征图像进行预测，融合不同层检测结果，得到多尺度融合特征图；

S4、在特征图上设置候选框，生成预测张量，基于此预测目标所属类别的置信度及位置信息。

优选的，所述步骤S2具体包括：

S21、通过32个3x3的卷积核卷积，在初始层的基础上增加网络层数，提高特征表达能力；