[发明专利]基于轻量级感受野金字塔的星载光学遥感图像舰船目标检测方法

说明书

为了解决星载光学遥感图像舰船目标检测中舰船目标尺度变化大、星载平台计算量严重受限的问题，通过将引入轻量化的多尺度特征提取网络模块，可以有效提升深度学习网络对于舰船目标的检测效率。本发明公开了一种基于轻量级感受野金字塔的星载光学遥感图像舰船目标检测方法，采取引入空洞卷积构建轻量级感受野金字塔的方法，根据感受野金字塔提取的多尺度特征构建多尺度特征融合检测模块，在限制网络规模的情况下，提高对光学遥感图像舰船目标特性的适应能力。

技术领域

本发明属于遥感图像处理领域，尤其涉及光学遥感图像的目标检测方法。

背景技术

基于光学遥感图像的舰船检测一直是遥感目标识别领域的研究热点，在民用和军用领域，舰船均为十分重要的战略目标。随着深度学习的兴起，早期手工特征已逐渐不能满足逐渐复杂的光学遥感视觉识别任务，而深度学习在计算机视觉的广泛应用中显示出了较强的特征表示能力。如何设计适合光学遥感图像舰船目标特性的深度学习检测网络，成为了遥感图像舰船目标检测的重大挑战。

为了提升深度学习目标检测网络的各方面性能，研究学者们相继提出许多有价值的目标检测方法。基于深度学习的目标检测方法主要分为两大类：基于区域提名的两阶段检测和基于回归的单阶段检测。Girshick于2014年提出了一种两目标检测框架R-CNN，通过提取候选区域，训练CNN网络结合SVM和回归器进行目标检测，其对比传统目标检测算法在准确率上有突破性进展，但其识别过程划分为三部分，消耗大量的时间与存储资源用于三步之间的资源转存。后续提出SPP-Nets通过空间金字塔池化使网络输入图片没有尺寸限制，加快了训练网络的时间。R-CNN的后续衍生网络Fast R-CNN结合SPP-Nets和Overfeat的特点，引入ROI池化概念，同时合并CNN特征提取和分类回归两部分，取得更好地检测效果同时加快了网络的训练速度。之后的两阶段检测集大成之作Faster R-CNN将前两代算法中的区域提名整合到CNN中，实现了检测网络的端到端形式，进一步减少了时间的损耗。

另一类单阶段检测网络将检测任务表述成一个统一的、端到端的回归问题，不进行区域提名，只处理一次图片同时得到位置和分类。Joseph Redmon于2016年提出YOLO系列算法，其通过划分等分的网格分配预测的样本，相比于基于区域提名的检测方法，全局处理使得背景错误较少，但相对牺牲了小物体检测精度。单阶段网络检测速度相较两阶段网络有了突破性进展，已能做到实时检测。之后的SSD网络是单阶段模型早期的集大成者，引入两阶段模型的anchor box机制同时使用多尺度特征图，达到接近两阶段模型精度的同时，拥有比两阶段模型快一个数量级的速度。在YOLO的后续版本YOLOv2中，同样引入anchor机制，YOLOv3中则采用近似ResNet的特征提取网络并引入多尺度，在COCO数据集上mAP达到57.9％。

虽然基于深度学习的光学遥感图像检测方法发展较为迅速，但针对舰船目标的特性，目前的目标检测方法仍存在很大问题。遥感图像中的舰船目标由于自身型号变化与拍摄分辨率变化存在检测目标尺度变化大的特性，同时其存在靠岸停泊与海面航行等多种姿态，往往需要深层网络或者图像金字塔等大型多尺度特征融合结构，重新调节尺度并聚合特征图，但计算量大大增加，才能对目标特征进行很好地表征。这与光学遥感图像目标检测的应用平台——星载平台的有限计算资源形成矛盾。目前的光学遥感图像目标检测方法很难保持对于多尺度目标高检测精度的同时满足星载平台对网络规模的制约。

发明内容

本发明针对现有技术的不足，提供一种基于轻量级感受野金字塔的星载光学遥感图像舰船目标检测方法。

本发明的技术方案为一种基于轻量级感受野金字塔的星载光学遥感图像舰船目标检测方法，包含以下步骤：

步骤1，构建特征提取模块，获得特征提取模块特征图；所述特征提取模块包含3个结构相同的子模块，每个子模块包括1个卷积层和1个最大池化层；