[发明专利]一种基于混合注意力多场景船舶检测分割方法

说明书

本发明公开了一种基于混合注意力多场景船舶检测分割方法，基于Mask RCNN的改进模型，在Mask R‑CNN中使用FPN获得特征金字塔，在FPN之后，添加一个自底向上的路径，以缩短底层特征传递到高层网络之间的路径，从而保留下更多的浅层特征，来提升小目标的检测和分割效果，并通过在自下而上的路径使用了通道和空间注意力机制，从而使得特征图能够更好地响应区域，抑制背景区域，从而提升检测分割效果。

技术领域

本发明属于人工智能技术领域，具体涉及一种多场景船舶检测分割方法。

背景技术

高分辨率遥感影像船舶目标检测是遥感影像处理领域中的研究热点，在军事侦查和民用监测等领域应用广泛。高分辨率卫星遥感作为主要的对地观测手段，其精度可以达到亚米级，从遥感影像中，可以人工解译出船舶、港口等目标。然而，随着获取到的遥感图像数据量不断增长，人工解译的方法由于效率较低，难以应对日益增长的数据量。由此需求推动，对高性能遥感图像自动解译系统的需求十分迫切。

船舶自动化检测可以帮助获取船舶分布信息，它所起到的海上监视的作用日益重要，可以帮助控制非法渔业和货物运输。近年来，船舶检测卫星遥感图像的合成已成为一个重要的研究方向。随着深度学习在目标检测、图像分割等计算机视觉任务中大放光彩，利用深度学习处理遥感图像分类、目标检测、分割等任务已成为主流方法，现有基于深度学习的遥感影像语义分割也大多都是基于FCN、DeconvNet、U-Net、 DeepLab等网络改进而来。然而，当前的识别分割方法大多以遥感影像的目标检测识别和语义分割为主。

目前，船舶目标检测研究方法大致可以分为两类：一类基于传统图像处理技术的船舶检测方法，通过图像分割、特征提取以及分类器分类等过程进行目标检测；另一类以深度学习技术为基础，利用卷积神经网络等算法进行船舶检测，目前已经成为研究热点。传统图像处理方法应用广泛，技术较为成熟，能够在一定程度上解决遥感影像检测和分割任务，但是随着遥感影像分辨率越来越高、覆盖面积越来越大，几何纹理等信息越来越丰富，传统方法逐渐无法胜任遥感影像的检测和分割等任务，在实际应用中受到限制。而基于深度学习的方法虽然在识别精度与实时性方面具有良好的表现，但很多算法具有一定的针对性，遥感影像中的船舶不是完美的俯视图，会有一定的角度以及一些阴影，对部分特征的提取会造成影响，甚至一些船舶体积较小，在特征提取时容易被忽略掉，导致未被识别。因此，迫切需要设计出一种能够克服不同复杂背景、噪声的影响，以及能够对小型船舶进行检测分割的识别算法。

发明内容

为了克服现有技术的不足，本发明提供了一种基于混合注意力多场景船舶检测分割方法，基于Mask R-CNN的改进模型，在Mask R-CNN中使用FPN获得特征金字塔，在FPN之后，添加一个自底向上的路径，以缩短底层特征传递到高层网络之间的路径，从而保留下更多的浅层特征，来提升小目标的检测和分割效果，并通过在自下而上的路径使用了通道和空间注意力机制，从而使得特征图能够更好地响应区域，抑制背景区域，从而提升检测分割效果。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1：数据预处理；

选择遥感影像船舶数据集，将数据集分成训练集和测试集；对数据集中的图像进行实例分割格式标注，再进行数据增强，扩充数据集；

步骤2：特征提取；

使用ResNet101作为骨干网络进行初始化，然后利用FPN网络进行特征提取，获得特征金字塔{P₂,P₃,P₄,P₅}，通过利用浅层低级特征高分辨率和深层高级特征的高语义信息，融合不同层的特征来提高网络提取目标特征的能力，具体如下：