[发明专利]一种大规模遥感图像中不规则形状目标的检测方法及系统

权利要求书

1.一种大规模遥感图像中不规则形状目标的检测方法，其特征在于，所述方法包括：

获取待检测遥感图像；

将所述待检测遥感图像输入至预先训练的不规则形状目标检测网络，获取所述预先训练的不规则形状目标检测网络输出的所述待检测遥感图像中的目标对应检测结果；

基于所述待检测遥感图像中的目标对应检测结果实现所述待检测遥感图像中的目标的目标识别；

所述预先训练的不规则形状目标检测模型的获取过程包括：

步骤1.人工标注遥感图像数据中遥感图像的检测目标的类别和边界框；

步骤2.将所述遥感图像数据划分为训练数据和测试数据；

步骤3.利用所述训练数据和测试数据对初始不规则形状目标检测网络进行训练，并将训练完成的初始不规则形状目标检测网络为所述预先训练的不规则形状目标检测网络；

所述初始不规则形状目标检测网络包括：基础卷积神经网络、注意力模块、第一可变形卷积神经网络、第二可变形卷积神经网络、第一特征金字塔网络、第二特征金字塔网络、第三特征金字塔网络和全卷积神经网络；

所述基础卷积神经网络，用于提取输入图像的第一层特征；

所述注意力模块，用于基于所述输入图像的第一层特征提取输入图像的第二层特征；

所述第一可变形卷积神经网络，用于基于所述输入图像的第二层特征提取输入图像的第三层特征；

所述第二可变形卷积神经网络，用于基于所述输入图像的第三层特征提取输入图像的第四层特征；

所述第一特征金字塔网络，用于当所述输入图像各像素的回归距离最大值在0-32之间时，将所述输入图像的第四层特征经过1×1卷积执行卷积操作后得到第一降维特征，并将所述第一降维特征经过3×3卷积执行卷积操作；

所述第二特征金字塔网络，用于当所述输入图像各像素的回归距离最大值在32-128之间时，将所述输入图像的第三层特征经过1×1卷积执行卷积操作后得到第二降维特征，将所述第一降维特征通过2倍上采样与所述第二降维特征融合得到第一融合特征，并将所述第一融合特征经过3×3卷积执行卷积操作；

所述第三特征金字塔网络，用于当所述输入图像各像素的回归距离最大值在128-∞之间时，将所述输入图像的第二层特征经过1×1卷积执行卷积操作后得到第三降维特征，将所述第二降维特征通过2倍上采样与所述第三降维特征融合得到第二融合特征，并将所述第二融合特征经过3×3卷积执行卷积操作；

所述全卷积神经网络，用于分别对第一特征金字塔网络的输出特征、第二特征金字塔网络的输出特征和第三特征金字塔网络的输出特征进行分类回归。

2.如权利要求1所述的方法，其特征在于，所述基础卷积神经网络具体用于：

按下式提取输入图像中每一空间点p对应第一层特征中的特征y_1p：

上式中，x_p为输入图像中空间点p的像素坐标值，K为卷积操作所需的空间采样点总数，w_k为卷积操作的第k个空间采样点的权重，p_k为对应于空间点p的第k个空间采样点的偏移量，p∈P，P为输入图像中空间点的集合。

3.如权利要求1所述的方法，其特征在于，所述注意力模块具体用于：

将所述输入图像的第一层特征依次通过1×1卷积执行卷积操作、soft-max函数执行归一化操作，得到HW×1×1的注意力矩阵；

将所述输入图像的第一层特征与所述HW×1×1的注意力矩阵点乘进行加权，得到特征A；

将所述特征A依次通过1×1卷积执行卷积操作、Relu函数执行非线性操作以及1×1卷积执行卷积操作，得到特征B；

将所述输入图像的第一层特征与所述特征B相加，得到所述输入图像的第二层特征；

其中，H为所述输入图像的第一层特征的高度，W为所述输入图像的第一层特征的宽度。