[发明专利]一种融合特征转移与注意力机制的YOLOV4遥感目标检测方法

说明书

本发明涉及一种融合特征转移与注意力机制的YOLOV4遥感目标检测方法，包括：通过Mosaic数据增强方法预处理遥感图像数据；构建融合特征转移与注意力机制的YOLOV4遥感目标检测模型；将所述的遥感数据输入到所述的模型进行训练；获取待检测的遥感图像，将遥感图像预处理至统一大小；将处理后的遥感图像输入到训练好的目标检测模型进行检测，输出检测结果即待检测图像中遥感目标的边界框位置以及目标类别。本发明通过改进YOLOV4，融合特征转移与注意力机制，在不明显增加模型参数量的前提下可显著提升检测精度。

技术领域

本发明属于遥感目标检测领域，具体是一种融合特征转移与注意力机制的YOLOV4遥感目标检测方法。

背景技术

遥感目标检测在军事及民用等领域发挥着巨大作用，例如在当今世界高科技军事对抗中遥感目标检测技术可以及时准确的获取战场信息，捕获重要战略设施位置；在民用领域，遥感目标检测技术可以为环境监测，资源勘探，野外营救等方面提供重要的技术支撑。然而与自然场景图像相比，遥感图像存在以下一些特殊性导致遥感图像目标检测一直都是个巨大挑战：

1，尺度多样性：航空遥感图像可从几百米到近万米的高度进行拍摄，且地面目标即使是同类目标也大小不一，如港口的轮船大至数百米，小至数十米。

2，视角特殊性：航空遥感图像的视角基本都是高空俯视，但常规数据集大部分还是水平视角，所有同一目标模式不同，检测器所面临的挑战也不同。

3，小目标问题：航空遥感图像分辨率高，但是遥感目标大多只包含极少的像素点，这就导致目标可用信息不足，常规检测器在遥感目标检测场景中易出现漏检的情况。

4，背景复杂度高：航空遥感图像视野较大，视野中可能包含各种各样的背景，会对目标检测产生较强的干扰。

现有的目标检测方法主要包括基于人工手工设计特征的传统目标检测算法以及基于深度学习的目标检测算法。传统目标检测算法需要人工根据具体数据设计图像特征，因此传统的检测算法一方面泛化能力弱，当面临新样本图像时无法有效的检测，另一方面人工设计图像特征工作量大，时间成本更高。基于深度学习的目标检测算法可分为一阶段目标检测算法以及两阶段目标检测算法，一阶段的检测算法整个检测过程分为两个环节：首先根据特征提取网络提取到的特征生成候选框，然后对候选框进行检测，两阶段检测算法检测精度较高但是速度较慢。一阶段检测算法直接通过回归得到检测边框以及类别，检测速度较快但是精度相对较低。在遥感目标检测领域，现有的目标检测算法存在一些局限性：首先，遥感图像背景复杂，一般检测算法不能有效的应对背景信息干扰，容易将被背景图像检测为目标；其次，一般检测算法对于图像特征尺度不敏感，在尺度差异较大的场景下检测效果更差；另外，一般检测算法存在语义缺失或者语义模糊的问题，在对具体目标进行检测时，容易造成错检的情况。

综上所述，设计一种能够有效抑制复杂背景信息，提高尺度感知能力以及更有效的语义信息的目标检测算法对于遥感目标检测具有重要的现实意义。

发明内容

为解决现有的目标检测器在遥感图像检测中的不足，本发明提供了一种融合特征转移以及注意力机制遥感图像目标检测算法。通过改进YOLOV4目标检测算法来实现对于遥感图像的有效检测。

为了实现上述目的，本发明采用了以下技术方案：融合特征转移与注意力机制的YOLOV4遥感目标检测方法，其包括以下顺序的步骤：

步骤1、通过Mosaic数据增强方法对遥感数据集进行处理，丰富遥感目标信息。

步骤2、构建融合特征转移和注意力机制的YOLOV4遥感目标检测模型。

步骤3、将步骤1处理得到的遥感图像数据集输入到上述模型进行训练。

步骤4、预处理待检测遥感图像，将遥感图像的尺寸统一到同一大小。