一种基于混合注意力的无锚框遥感图像小目标检测方法.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CN114283336A(43)申请公布日2022.04.05(21)申请号202111611440.7(22)申请日2021.12.27(71)申请人中国地质大学（武汉）地址430000湖北省武汉市洪山区鲁磨路388号(72)发明人陈小强陈珺罗林波熊永华刘玮魏龙生(51)Int.Cl.G06V20/10(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)G06K9/62(2022.01)G06N3/02(2006.01)G06N3/08(2006.01)权利要求书1页说明书5页附图2页(54)发明名称一种基于混合注意力的无锚框遥感图像小目标检测方法(57)摘要本发明提供一种基于混合注意力的无锚框遥感图像小目标检测方法，包括：构建基于混合注意力的无锚框遥感图像小目标检测网络结构；采用迁移学习对所述网络结构进行训练，得到训练完成的网络结构；将遥感数据集输入至所述训练完成的网络结构，得到遥感图像的目标检测结果：网络结构训练过程中，采用ResNet50对输入图像进行各层特征提取，并引入了加强特征的U型网络结构，并在高层和低层特征进行关联以后，加入注意力机制，最后利用损失函数训练所述网络结构，得到训练完成的网络模型。本发明提供的有益效果是：提高了高分辨率遥感图像小目标检测能力、速度、鲁棒性与精确度。CN114283336ACN114283336A权利要求书1/1页1.一种基于混合注意力的无锚框遥感图像小目标检测方法，其特征在于：该无锚框遥感图像小目标检测方法包括以下步骤：S101：构建基于混合注意力的无锚框遥感图像小目标检测网络结构；S102：采用迁移学习对所述网络结构进行训练，得到训练完成的网络结构；S103：将遥感数据集输入至所述训练完成的网络结构，得到遥感图像的目标检测结果。2.如权利要求1所述的基于混合注意力的无锚框遥感图像小目标检测方法，其特征在于：步骤S102中，得到训练完成的网络结构的过程如下：首先，采用迁移学习对所述网络结构进行训练的过程中，采用ResNet50对输入图像进行各层特征提取，然后，引入加强特征的U型网络结构，该U型网络结构用于将多尺度的主干网络提取的特征层进行关联，在关联之后加入注意力机制，对不同通道间的特征图进行自适应调整，最后，将自适应调整后的特征层输入至检测层，结合利用损失函数训练所述网络结构，得到训练完成的网络结构。3.如权利要求2所述的基于混合注意力的无锚框遥感图像小目标检测方法，其特征在于：所述U型网络结构就是把之前的直接下采样变换为逐级向上融合上采样，以得到聚集更多小目标信息的特征图。4.如权利要求2所述的基于混合注意力的无锚框遥感图像小目标检测方法，其特征在于：所述在关联之后加入注意力机制，对不同通道间的特征进行自适应调整过程包括通道注意力调整和空间注意力调整。5.如权利要求4所述的基于混合注意力的无锚框遥感图像小目标检测方法，其特征在于：所述通道注意力调整的过程为：分别采用平均池化和最大池化对关联之后的特征图进行处理，然后对处理后的结果进行升维和点加操作，得到特征图通道上的权重信息，将此权重信息通过与原特征图进行加权得到通道调整的特征图。6.如权利要求5所述的基于混合注意力的无锚框遥感图像小目标检测方法，其特征在于：所述空间注意力调整的过程为：采用降维的方式得到网络结构中每一层的权重信息，将此权重信息通过与所述通道调整的特征图进行加权，得到最终的注意力机制调整的特征图。7.如权利要求2所述的基于混合注意力的无锚框遥感图像小目标检测方法，其特征在于：所述损失函数在使用之前，需要采用随机梯度下降法对其进行优化处理。2CN114283336A说明书1/5页一种基于混合注意力的无锚框遥感图像小目标检测方法技术领域[0001]本发明涉及遥感图像处理领域，尤其涉及一种基于混合注意力的无锚框遥感图像小目标检测方法。背景技术[0002]遥感图像小目标检测是遥感领域的研究热点之一。高空间分辨率(HighSpatialResolution，HSR)遥感图像传感器的发展加速了各种遥感图像的获取具有足够详细的空间结构信息的航空和卫星图像。这些遥感图像可以促进广泛的军事和民用应用，例如海洋监测，城区检测，货物运输，港口管理等。不同于从水平方向获取地面自然图像，但是获得高空间分辨率遥感图像需要以从自上而下的角度看，这是一种很容易受天气和照明影响的图像获取方式。除此之外，多类地理空间目标的小尺度和多变尺度的特性以及缺少手动标注的训练样本使得检测任务变得更具挑战性。许多与遥感图像中小目标检测有关的研究已经展开。[0003]基于传统机器学习的方法进行遥感图像目标检测的主要步骤为：1)采用滑动窗口遍历图片获得感