[发明专利]一种用于遥感图像中小目标检测的多分支检测方法

说明书

本发明提供一种用于遥感图像中小目标检测的多分支检测方法。该方法包括：步骤1：构建RepDarkNet主干网络，使用所述RepDarkNet主干网络对遥感图像进行特征提取，其中，所述RepDarkNet主干网络包含五个串联的特征提取分支；步骤2：构建跨层融合网络，使用所述跨层融合网络对所述RepDarkNet主干网络提取到的五个特征图进行跨层特征融合；步骤3：设计边界框回归损失函数，基于所述边界框损失函数和融合后特征得到小目标检测框。通过在Dior数据集和NWPU VHR‑10数据集上进行实验，本发明可以较好地检测到遥感图像中的小尺寸目标。

技术领域

本发明涉及遥感目标检测技术领域，尤其涉及一种用于遥感图像中小目标检测的多分支检测方法。

背景技术

随着先进航空技术和遥感图像传感器的不断发展，光学遥感图像中的目标检测受到越来越多的研究关注。然而由于遥感目标的尺寸大小不一致，大多数目标尺寸很小，占据的像素较小，导致现有的检测方法较难提取特征。为了检测小目标，主干网络起着重要的作用，一个好的主干网络可以提取更多丰富的特征信息。而现有有关遥感方面的检测方法中，由于其主干网络的特征提取能力不足，导致检测方法在遥感图像中无法取得较好的表现，进而带来的检测效果不太理想。

发明内容

针对现有检测方法对小尺寸目标的特征提取能力不足，无法在遥感图像中取得良好的效果的问题，本发明提供一种用于遥感图像中小目标检测的多分支检测方法。

本发明提供的一种用于遥感图像中小目标检测的多分支检测方法，包括：

步骤1：构建RepDarkNet主干网络，使用所述RepDarkNet主干网络对遥感图像进行特征提取，其中，所述RepDarkNet主干网络包含五个串联的特征提取分支；

步骤2：构建跨层融合网络，使用所述跨层融合网络对所述RepDarkNet主干网络提取到的五个特征图进行跨层特征融合；

步骤3：设计边界框回归损失函数，基于所述边界框损失函数和融合后特征得到小目标检测框。

进一步地，步骤1中，所述五个串联的特征提取分支按照先后串联顺序分别记作R1分支、R2分支、R3分支、R4分支和R5分支；在所述R4分支和R5分支之间还串联有SPP模块；

每个特征提取分支均包括第一CBL模块、第二CBL模块、ResBlock模块和concat模块；其中，R1分支、R2分支、R3分支、R4分支和R5分支中的所述ResBlock模块的个数按照先后顺序分别为1、2、3、4和5；

每个特征提取分支对输入的特征图的处理过程为：特征图先输入至所述第一CBL模块进行处理，所述第一CBL模块输出后的特征图分别输入至所述第二CBL模块和所述ResBlock模块进行处理；所述第一CBL模块输出的特征图、所述第二CBL模块输出的特征图和所述ResBlock模块输出的特征图共同输入至所述concat模块进行concat处理，所述concat模块的输出作为当前特征提取分支的输出。

进一步地，所述ResBlock模块包括第三CBL模块、第四CBL模块和一个add模块；

所述第一CBL模块输出的特征图依次经过所述第三CBL模块和所述第四CBL模块进行处理；所述第一CBL模块输出的特征图和所述第四CBL模块输出的特征图共同输入至所述add模块进行处理，所述add模块的输出即为所述ResBlock模块的输出。

进一步地，所述第一CBL模块、第二CBL模块、第三CBL模块和第四CBL模块为结构相同的CBL模块，所述CBL模块由浅入深依次包括Conv层、BN层和Leaky relu层。

进一步地，所述SPP模块包括：第一最大池化层、第二最大池化层、第三最大池化层和concat模块；