基于注意力机制的遥感图像小样本舰船检测方法.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CN113723558A(43)申请公布日2021.11.30(21)申请号202111049432.8(22)申请日2021.09.08(71)申请人北京航空航天大学地址100000北京市海淀区学院路37号(72)发明人张浩鹏张星雨姜志国谢凤英赵丹培(74)专利代理机构北京慕达星云知识产权代理事务所(特殊普通合伙)11465代理人符继超(51)Int.Cl.G06K9/62(2006.01)G06K9/46(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书4页附图1页(54)发明名称基于注意力机制的遥感图像小样本舰船检测方法(57)摘要本发明公开了一种基于注意力机制的遥感图像小样本舰船检测方法，并应用于遥感图像小样本舰船检测任务当中。包括：将支持集中的支持图像和查询集中的查询图像均输入至权重共享网络中进行特征提取，分别对应输出目标平均特征图和查询图像特征图；将目标平均特征图进行平均池化后得到目标平均特征图的下采样结果Sk，通过将目标平均特征图的下采样结果作为卷积核，在查询图像特征图做可分离卷积的方式，计算查询集和支持集的相似性，输出注意力特征图；对注意力特征图进行预测，输出检测结果。在提取目标特征阶段，采用多分支并行的网络结构，可以在提取特征的阶段使用标签信息，并添加了注意力模块，提高了网络快速学习新目标特征的能力。CN113723558ACN113723558A权利要求书1/1页1.基于注意力机制的遥感图像小样本舰船检测方法，其特征在于，包括：将支持集中的支持图像和查询集中的查询图像均输入至权重共享网络中进行特征提取，分别对应输出目标平均特征图和查询图像特征图；将所述目标平均特征图进行平均池化后得到目标平均特征图的下采样结果Sk，通过将目标平均特征图的下采样结果作为卷积核，在查询图像特征图做可分离卷积的方式，计算所述查询集和所述支持集的相似性，输出注意力特征图；对所述注意力特征图进行预测，输出检测结果。2.根据权利要求1所述的基于注意力机制的遥感图像小样本舰船检测方法，其特征在于，查询集和支持集的相似性具体计算公式为：Gh，w，c，k＝∑i，jSk·Yh+i‑1，w+j‑1，c，k，i，j∈{1，…，b}其中，Gh，w，c，k表示注意力特征图，Sk表示卷积核，k＝1，2，3，表示三种不同的尺度，h，w代表查询图像特征图纵向，横向的原点，i，j代表卷积核滑动后纵向和横向的坐标，c表示查询图像特征图通道坐标，b表示查询图像特征图的高和宽。3.根据权利要求1所述的基于注意力机制的遥感图像小样本舰船检测方法，其特征在于，网络中的损失函数计算公式为：其中，Iou表示预测框与真值框的交并比，ρ表示欧氏距离，b，bgt表示预测框与真值框的中心距离，c表示预测框与真值框的最小闭包框的对角线距离，α表示折中参数，v表示测量宽高比的一致性参数，wgt，hgt代表真值框的宽和高，w，h代表预测框的宽和高。4.根据权利要求1所述的基于注意力机制的遥感图像小样本舰船检测方法，其特征在于，所述权重共享网络包括k+1个分支，其中，k个分支用于提取k张支持图像的特征，一个分支用于提取查询图像的特征；每个所述分支均采用Yolov5骨干网络作为特征提取器进行特征提取，输出三个不同尺度的特征图。2CN113723558A说明书1/4页基于注意力机制的遥感图像小样本舰船检测方法技术领域[0001]本发明涉及模式识别与机器学习技术领域，更具体的说是涉及遥感图像分析和舰船检测分类。背景技术[0002]深度学习作为近几年兴起的人工智能技术，广受国家、社会各界的关注。其极大推动了计算机视觉和机器语言等领域的发展和落地应用。作为广受大家关注的重要技术，无数的科研工作人员为之投入了很多努力，深度学习现在已经在广泛地使用在社会生活的各个方面，比如人脸识别，自动驾驶，语音助手等。近几年来，目标检测算法取得了很大的突破。具有代表性的算法主要有基于两阶段的RCNN系列和一阶段的YOLO系列。但是基于深度学习的目标检测算法是基于数据驱动的，需要标注大量的数据。部分特殊类别的并没有足够的样本数据。因此，小样本学习应运而生。[0003]小样本舰船检测是一种特殊的遥感图像目标检测问题，目的是在不需要大量样本作为训练数据的情况下，在遥感图像中检测到待检测的舰船。小样本舰船检测其特殊性在于可以避免深度学习算法对数据量的硬性要求，从而直接缓解获取数据难，标注数据耗时耗力的问题。[0004]当前小样本学习问题主要有三种解决办法：基于数据增广的方法，基于度量学习的方法和基于元学习的方法。[0005]基于数据增广的方法思路清晰简单，不会对现有的目标检测模型有改动。主要是使用