基于密度图与注意力机制融合的遥感图像目标检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114299383A(43)申请公布日2022.04.08(21)申请号202111471860.X(22)申请日2021.12.03(71)申请人河海大学地址210024江苏省南京市鼓楼区西康路一号(72)发明人娄渊胜童雪帅(51)Int.Cl.G06V20/10(2022.01)G06V10/25(2022.01)G06V10/26(2022.01)G06V10/774(2022.01)G06V10/80(2022.01)G06V10/82(2022.01)G06K9/62(2022.01)G06N3/04(2006.01)权利要求书1页说明书5页附图1页(54)发明名称基于密度图与注意力机制融合的遥感图像目标检测方法(57)摘要基于密度图与注意力机制融合的遥感图像目标检测方法。本发明主要基于密度图切割的思想，通过物体的稀疏或密集的分布情况，指导图像进行前景与背景的分割，尽可能减少目标检测中对于背景部分的计算，降低复杂背景对于小目标检测的影响，结合注意力机制，通过网络中的通道注意力机制过滤冗余矛盾的背景信息。使用空间注意力机制，更加关注图像中的目标区域，并抑制了非目标区域或背景区域。采用改进的FPN金字塔网络进行目标检测的多尺度特征提取，融合低层特征高分辨率和高层特征的高语义信息，用Soft‑NMS替换NMS，减少误检率。最后采用FasterR‑CNN二级检测器进行目标检测，生成目标类别及位置回归，最终达到提升小目标检测精度的目的。CN114299383ACN114299383A权利要求书1/1页1.基于密度图与注意力机制融合的遥感图像目标检测方法，其特征在于，包括如下步骤：步骤1：输入遥感图像，根据图像中物体的分布生成密度图并进行图片分割。步骤2：将分割后的图片通过ImageNet数据集上预先训练的Resnet101进行自下而上的特征提取。步骤3：采用改进的FPN特征金字塔通过横向连接分别连接Resnet101的特征层，自下至上的不同维度特征生成，自上至下的特征补充增强，低层特征图包含更多的位置信息，有利于定位的实现，而高层特征图包含更多的语义信息，更有利于分类的实现。步骤4：引入注意力机制模块，水平连接FPN各特征层，在不引入过多参数的情况下获得较好的语义信息捕获能力。注意力机制模块包括跨通道注意块和坐标注意块，由两个注意块获得的权值乘以原始特征图。将两个特征图相加后，得到去噪网络。步骤5：通过FPN的特征层，区域生成网络在每个尺度上根据预测中心点坐标和宽、高生成候选区域(x，y，w，h)，x，y，w，h分别代表中心点的横坐标，纵坐标，宽和高；将候选区域进行池化操作，进一步提取降维后的候选区域特征，作为全连接层分类的输入。步骤6：用Soft‑NMS替换NMS，减少误检率。使用Soft‑NMS进行交并比数据后处理，使用高斯加权函数找出最佳锚框；其中，Si代表bi的得分，M是当前得分最高的锚框，bi是要处理的锚框。D代表最终检测锚框集，IOU表示交并比，即检测锚框与地真值的重叠率。fIOU(M，bi)是M和bi之间的交并比。fIOU(M，bi)越大，Si下降的越严重。步骤7：将池化特征输入全连接层，输出目标的位置以及通过Softmax输出目标分类，通过平均精度(AP)和类平均精度(mAP)对目标的检测的性能进行评估。首先定义精度和召回率：其中，当锚框与真实区域的面积交比大于0.7时，认为锚框是正确检测的目标框(TP)，否则认为是错误检测的目标框(FP)。此外，如果该区域多个锚框和真正的区域面积的交并比大于0.7，只有面积最大的矩形框架交叉比率将被视为正确检测到目标框架(TP)，其他矩形帧被认为是一个错误的检测帧(FP)。FN表示被错误判断为错误检测锚框的正确检测锚框的数量。设置步长为0.1，并在recall＝[0，0.1，0.2，...，1]时取相应的精度值。这些精度值的平均值为AP。mAP是计算所有类的AP的平均值。最终得到预测目标类别和坐标回归的精度。2CN114299383A说明书1/5页基于密度图与注意力机制融合的遥感图像目标检测方法技术领域[0001]本发明属于计算机视觉技术领域，具体涉及基于密度图与注意力机制融合的遥感图像目标检测方法。背景技术[0002]到目前为止，目标检测是计算机视觉领域中一项基本而艰巨的任务。现有的检测方法可以分为基于模板匹配的方法，基于知识的方法，基于对象图像分析的方法和基于机器学习的方法四大类。深度学习算法是目前流行的一种新型计算模型，与传统的对象检测和定位方法相比，基于深度学习的方法具有更强的泛化能力和特征表达能力。但是，过大的图像，复杂的图像背景以及训练样本的大小和数量分布不均，使得检测任务更具挑战性。[