[发明专利]基于大尺度深度卷积神经网络的遥感图像蓝顶房检测方法

说明书

本发明公开了一种基于大尺度深度卷积神经网络的遥感图像蓝顶房检测方法，包括步骤：获取训练数据集并进行标注；构建包含特征提取网络、上下文增强模块、目标区域生成网络、空间注意模块、池化层、目标检测模块的网络模型；输入标注后的训练数据集训练网络模型；将待检测的遥感图像输入已训练好的网络模型，得到蓝顶房的检测结果。其显著效果是：通过将深度特征提取、目标候选区生成、锚框生成、上下文增强、空间注意力机制、目标检测过程都融入到一个端到端的深度网络模型中，对于多尺度的遥感图像蓝顶房的检测，能够达到良好的检测效果。

技术领域

本发明涉及到遥感图像目标检测技术领域，尤其涉及利用深度神经网络模型实现具有多尺度变化的遥感图像的目标检测，具体涉及一种基于大尺度深度卷积神经网络的遥感图像蓝顶房检测方法。

背景技术

随着卫星遥感技术及计算机视觉技术的发展和应用，遥感图像中的目标检测成为研究的热点，利用遥感图像高效快速地检测出蓝顶房等典型的高价值目标在模式识别，侦察探测等领域具有很高的应用价值，同时也是遥感智能处理领域的重点研究问题。

遥感图像蓝顶房检测用得较多的是传统的模式识别分类方法，如最小距离法、平行六面体法，最大似然法、循环集群法等监督与非监督分类法。其检测结果由于遥感图像本身的空间分辨率的限制以及同物异谱、异物同谱现象的存在，往往出现较多的错分、漏分现象，导致分类精度不高。

发明内容

针对现有技术的不足，本发明的目的是提供一种基于大尺度深度卷积神经网络的遥感图像蓝顶房检测方法，通过将深度特征提取、目标候选区生成、锚框生成、上下文增强、空间注意力机制、目标检测过程都融入到一个端到端的深度卷积神经网络模型中，从而能够有效的提高检测精度。

为达到上述目的，本发明采用的技术方案如下：

一种基于大尺度深度卷积神经网络的遥感图像蓝顶房检测方法，其关键在于，包括如下步骤：

步骤1：获取训练数据集并进行标注；

步骤2：构建包含特征提取网络、上下文增强模块、目标区域生成网络、空间注意模块、池化层、目标检测模块的网络模型；

步骤3：输入标注后的训练数据集训练网络模型；

训练网络模型时，所述特征提取网络用于提取训练数据集的多尺度特征；所述上下文增强模块用于聚合所述特征提取网络输出的多尺度特征图中的局部上下文信息和全局上下文信息；所述目标区域生成网络用于根据上下文增强模块输出的特征图构建目标候选区域，并通过特征微调的锚框生成模块生成锚框；所述空间注意模块用于利用所述目标区域生成网络的中间层特征，对所述上下文增强模块输出的特征图进行惩罚加权优化；所述池化层用于将目标候选区对应区域上的卷积特征下采样到一个统一大小的特征向量，并输入目标检测模块；所述目标检测模块用于进行目标检测和锚框回归进行联合迭代训练；

步骤4：将待检测的遥感图像输入已训练好的网络模型，得到蓝顶房的检测结果。

进一步的，所述训练数据集采用预处理后的谷歌地球的遥感图像。

进一步的，所述训练数据集采用labelme标注工具进行标注，标注格式统一为COCO格式。

进一步的，所述上下文增强模块采用特征金字塔将所述特征提取网络输出的多尺度特征图通过卷积层进行通道数恢复，再通过上采样将特征图变为固定尺寸，最后对生成的各尺度的特征图进行标记，并利用局部上下文信息和全局上下文信息将特征图相加输入全连接层得到输出结果。

进一步的，所述目标区域生成网络通过特征微调的锚框生成模块生成锚框的步骤为：

步骤S1：锚框位置预测，采用位置预测网络对所述上下文增强模块输出的特征图进行卷积，计算得到每个位置出现物体的概率值，并获得概率值高于预定阈值的位置预测出锚框的位置；