[发明专利]即插即用的多尺度空间和通道注意遥感影像目标检测方法

说明书

本申请公开了即插即用的多尺度空间和通道注意遥感影像目标检测方法，包括：获取原始特征图，原始特征图为由深度卷积神经网络提取图像的特征图；对原始特征图进行全局平均池化操作，得到特征图向量；由两个全连接层对特征图向量进行两次线性变换，得到通道注意图；通过不同感受野的卷积产生至少三种不同尺度的空间注意图；将三种尺度的空间注意图相乘得到多尺度空间注意图；将多尺度空间注意图和通道注意图相乘，得到多尺度空间和通道注意(MSCA)；将多尺度空间和通道注意(MSCA)施加到原始特征图上生成新的特征图。在现有的目标检测模型中加入MSCA，显著提升小目标以及复杂背景的遥感影像目标检测的效果。

技术领域

本发明涉及遥感影像目标检测领域，特别涉及即插即用的多尺度空间和通道注意遥感影像目标检测方法。

背景技术

自2012年Hinton提出AlexNet(Krizhevsky et al.,2012)以来，深度卷积神经网络以其强大的特征学习能力成为了图像视觉识别任务的主流方法。当前最先进的目标检测算法都是基于深度学习的。它们主要分为两大类：其一是以Faster R-CNN为代表的“twostage”算法，该类算法将检测问题分为两个阶段：候选区域提取阶段和候选区域分类和回归预测阶段。其二是以YOLO和SSD为代表“one stage”算法。该类算法把检测任务作为一个端到端的过程，一次性预测所有区域所含目标的bounding box、目标置信度以及类别概率。

相比于自然影像，遥感影像存在尺度多样性、目标方向多样性、小目标以及背景复杂度高的问题，所以尽管上述方法在自然影像中取得了很好的效果，但直接应用于遥感影像目标检测可能不会得到理想的结果。

发明内容

发明目的：

本发明主要是针对当前遥感影像目标检测算法的缺陷，即背景干扰和小目标漏检的问题，提出即插即用的多尺度空间和通道注意遥感影像目标检测方法，通过在现有的目标检测模型中加入一种多尺度空间和通道注意(Multi-scale Spatial and Channel-wiseAttention，MSCA)机制，可以显著提升小目标以及复杂背景的遥感影像目标检测的效果。

技术方案：

一种即插即用的多尺度空间和通道注意遥感影像目标检测方法，所述方法包括：

获取原始特征图，其中，所述原始特征图为由深度卷积神经网络提取图像的特征图；

对所述原始特征图进行全局平均池化操作，得到特征图向量；

由全连接层对特征图向量进行两次线性变换，得到通道注意图；

对原始特征图通过不同感受野的卷积产生至少三种不同尺度的空间注意图；

将三种尺度的空间注意图相乘得到多尺度空间注意图；

将通道注意图在空间上进行扩张，将多尺度空间注意图在通道上进行扩张；

将扩张后的所述多尺度空间注意图和所述通道注意图相乘，得到多尺度空间和通道注意；

将多尺度空间和通道注意施加到原始特征图上生成新的特征图。

作为本发明的一种优选方式，所述新的特征图与原始特征图尺寸一致。

作为本发明的一种优选方式，所述多尺度空间和通道注意机制用于植入任一基于深度学习的目标检测模型。

作为本发明的一种优选方式，所述多尺度空间和通道注意施加到原始特征图上输出的新的特征图用于作为后续深度神经网络卷积层的输入。

作为本发明的一种优选方式，所述全局平均池化包括：所述原始特征图的尺寸为H×W×C，则通道的特征图尺寸为H×W，对通道的特征图求H×W个元素的平均值，得到尺寸为1×1×C的特征图向量。