[发明专利]基于上下文增强的遥感图像目标检测模型建立方法及应用

说明书

本发明公开了一种基于上下文增强的遥感图像目标检测模型建立方法及应用，属于图像处理技术领域，包括：基于神经网络建立待训练的目标检测模型，用于对遥感图像进行目标检测，并对其进行训练，得到基于上下文增强的遥感图像目标检测模型；目标检测模型中，各模块分别用于：提取遥感图像的多尺度特征图F_s；提取F_s的全局上下文信息，得到M_A；分别增强F_s中的边界信息和类别信息，得到和分别捕捉和中通道间的信息关联，得到通道权重W_d和W_c；根据W_d将M_A和融合，得到边界信息增强的特征图根据W_c将M_A和融合，得到类别信息增强的特征图将F_s、以及融合，得到特征图对进行目标检测。本发明能够提高遥感图像目标检测的精度。

技术领域

本发明属于图像处理技术领域，更具体地，涉及一种基于上下文增强的遥感图像目标检测模型建立方法及应用。

背景技术

目标检测是计算机视觉领域的基础问题，通过检测算法在图像中找到感兴趣的目标位置并判断其类别。具体到遥感图像中，由于其图像背景复杂，目标尺度变化大，漏检、虚检的问题较多，检测和识别的难度较大。

现有的目标检测的方法主要分为：基于人工特征传统目标检测算法和基于深度学习的目标检测算法。其中，基于人工特征的传统目标检测算法由于使用的手工设计的图像特征导致其泛化性能不强，表达能力不足；而基于深度学习的目标检测算法又分为单阶段和双阶段的目标检测算法，双阶段目标检测算法基于候选框，检测精度较高但速度较慢，同时候选框内的上下文信息不足从而忽视了背景信息；单阶段目标检测算法直接回归得到边框和类别，检测速度较快但精度较低，而基于关键点的目标检测算法在二者之间实现了平衡，在保证一定检测精度的同时提高了检测速度。

分析现有的目标检测算法，存在着以下几点局限性：1、对于图像上下文信息的提取能力不足，忽略了典型背景信息对于目标识别的帮助，例如水域对于桥梁、港口等目标类型；2、图像分类任务更关注图像中心区域，因为分类识别更依赖特征的平移不变性，而目标检测任务对于图像的边界信息更加敏感，同时进行分类和检测会导致特征冲突，限制检测性能；3、现有的图像上下文信息提取方法大多通过网络自行学习，缺乏监督信息，导致信息提取机制不明确，提取性能不稳定。

综上所述，由于对上下文信息利用不足，且分类与检测过程中存在特征冲突，现有的遥感图像目标检测方法的检测能力有待进一步提高。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种基于上下文增强的遥感图像目标检测模型建立方法及应用，其目的在于，解决现有的遥感图像目标检测方法对上下文信息利用不足，且分类与检测过程中存在特征冲突的技术问题，以提高遥感图像目标检测方法的检测能力。

为实现上述目的，按照本发明的一个方面，提供了一种基于上下文增强的遥感图像目标检测模型建立方法，包括：

基于神经网络建立待训练的目标检测模型，用于对遥感图像进行目标检测，并利用训练数据集对待训练的目标检测模型进行训练，从而在训练结束后，得到基于上下文增强的遥感图像目标检测模型；

其中，目标检测模型包括：

多尺度特征图提取模块，用于提取输入的遥感图像的多尺度特征图F_s；

全局空间上下文模块，用于提取多尺度特征图F_s的全局上下文信息，得到全局上下文注意力图M_A；

边界信息增强模块，用于增强多尺度特征图F_s中的边界信息，得到边界信息增强图

第一通道权重学习模块，用于捕捉边界信息增强图中通道间的信息关联，得到第一通道权重；