[发明专利]基于多尺度特征整合和注意力机制的旋转目标检测方法

权利要求书

1.一种基于多尺度特征整合和注意力机制的旋转目标检测方法，其特征在于，该方法包括：

步骤S100，获取待检测的图像，作为输入图像；

步骤S200，采用特征金字塔网络提取所述输入图像的多尺度特征，并分别通过预设的特征卷积处理方法进行处理，得到处理特征图；采用双线性插值法对各处理特征图进行缩放并整合，得到整合多尺度的特征图I；

步骤S300，基于第一网络的双通道卷积层，分别通过所述预设的特征卷积处理方法对I进行处理，得到前景特征图、背景特征图，并与I进行矩阵逐点相乘运算，得到前景显著性特征图A1、背景显著性特征图A2；所述第一网络为基于注意力机制的卷积神经网络；

步骤S400，基于A1、A2，通过预设第一方法得到注意力特征图；基于所述注意力特征图，通过区域建议网络获取待检测目标的候选区域；

步骤S500，根据候选区域的位置，并结合所述注意力特征图，通过旋转目标检测网络得到所述待检测目标的检测结果；所述旋转目标检测网络基于卷积神经网络构建。

2.根据权利要求1所述的基于多尺度特征整合和注意力机制的旋转目标检测方法，其特征在于，步骤S200中“分别通过预设的特征卷积处理方法进行处理，得到处理特征图”，其方法为：

对多尺度特征进行多个设定尺寸的卷积，卷积后相加，并通过线性整流激活函数进行处理，得到处理特征图。

3.根据权利要求2所述的基于多尺度特征整合和注意力机制的旋转目标检测方法，其特征在于，各处理特征图其缩放的尺寸为其中，n为特征金字塔网络的层级数。

4.根据权利要求3所述的基于多尺度特征整合和注意力机制的旋转目标检测方法，其特征在于，所述整合多尺度的特征图I其获取方法为：

其中，F_k为经过缩放后的处理特征图，k为自然数，表示下标。

5.根据权利要求1所述的基于多尺度特征整合和注意力机制的旋转目标检测方法，其特征在于，所述第一网络的双通道卷积层其在训练过程中的更新方法为：

基于获取的前景特征图、背景特征图，结合预设的掩膜Mask，通过L_Att损失函数获取损失值；

基于所述损失值，对双通道卷积层的权重参数进行更新。

6.根据权利要求1所述的基于多尺度特征整合和注意力机制的旋转目标检测方法，其特征在于，步骤S400中“通过预设第一方法得到注意力特征图”，其方法为：

A＝max(A1-A2，0)

其中，A表示注意力特征图。

7.根据权利要求1所述的基于多尺度特征整合和注意力机制的旋转目标检测方法，其特征在于，所述旋转目标检测网络其结构包括池化层、全连接层、分类层、回归层；其中，所述全连接层其层数为2；所述池化层的池化方式为PS ROI Align；通过该网络获取检测结果的方法为：

基于候选区域的位置，通过PS ROI Align的池化方式将所述注意力特征图对应区域进行池化，得到固定尺寸的区域特征图；

通过全连接层提取各区域特征图的特征，并通过所述分类层对待检测目标进行分类；

基于分类结果，通过所述回归层对待检测目标的区域进行坐标回归，得到坐标回归值；

通过坐标合并方法、非极大值抑制方法对各坐标回归值进行处理，得到待检测目标的检测结果。