[发明专利]一种基于多维的遥感图像微小目标检测方法

说明书

本发明涉及一种基于多维的遥感图像微小目标检测方法，属于目标检测领域。采用多深度图像金字塔网络进行多深度、多分辨率的特征提取，用浅层流提取高分辨率图像特征、用深层流提取低分辨率图像特征。同时，为了缓解多尺度、多深度特征之间的信息不平衡，还提出了多尺度特征金字塔网络，使得微小目标的语义信息和特征纹理信息不仅从高层传播到低层，而且从深流传播到浅流，从而提高微小目标的识别结果。最后再附加两个简单的全连接层进行分类、回归任务，整个模型称为多深度、多尺度、多分辨率微小目标检测网络M3DNet。最终，本发明采用多深度、多尺度、多分辨率的遥感图像微小目标检测方法能够有效地完成微小目标检测。

技术领域

本发明属于目标检测领域，涉及一种基于多维的遥感图像微小目标检测方法。

背景技术

目标检测一直是计算机视觉与模式识别研究领域的重要研究方向，其中微小目标检测更加具有挑战性，因为小物体不包含详细信息，甚至可能在深度网络中消失。从卫星或无人机捕获的图像中检测和定位目标的方法很多，但对于噪声大、分辨率低的图像，特别是目标较小的情况下，检测效果并不理想。即使在高分辨率图像上，小目标的检测性能也低于大目标。一般来说，图像中的小目标一般指分辨率低于32*32像素的物体，而微小目标一般指低于15*15像素的物体。通常，将高分辨率的遥感图像馈入网络可以缓解此问题，可在一定程度上提高微小目标的识别结果。但是，简单地提高分辨率会带来更多问题，例如，这会加剧尺度的较大变化，并带来难以承受的计算成本和内存消耗。而直接将低分辨率的遥感图像馈入网络也会带来一些问题，例如，微小目标的信息严重匮乏，随着网络的下采样过程，微小目标的细节信息会逐渐丢失。同时，遥感图像一般都具有复杂背景和多分辨率等问题，如何处理不同尺度下的特征信息也是一个具有挑战性的问题。为了在不带来新问题的情况下缓解以上问题，本发明提出了基于多深度、多尺度、多分辨率的微小目标检测网络(Multi-Depth、Multi-Scale、Multi-Resolution Detection Network，M3DNet)，它主要包括两个模块：多深度图像金字塔网络和多尺度特征金字塔网络。多深度图像金字塔网络主要由不同深度的骨干网络构成，即对低分辨率的遥感图像采用深层卷积神经网络，目的是提取出更多微小目标的语义信息；而对高分辨率的遥感图像采用浅层卷积神经网络，目的是在保持了更多特征纹理信息的同时降低计算量。多尺度特征金字塔网络由多个传统特征金字塔网络组成，主要用来对齐和融合由多深度图像金字塔网络生成的多尺度特征图，减少多尺度、多深度特征之间的信息不平衡，同时通过融合浅层、深层骨干网络提取出微小目标的不同特征来提升其识别性能，并维持中大物体的表现。最后，将多尺度特征金字塔的融合结果经过一个简单的分类和回归网络即可得到检测结果。本发明发明了一种结合多深度、多尺度和多分辨率的遥感图像微小目标检测算法，可以平衡微小目标在不同深度的图像信息、不同尺度的特征信息下带来的不稳定性，同时很好的保留了微小目标的特征纹理信息和语义信息，对遥感图像中的微小目标检测具有更好的效果和鲁棒性。

发明内容

有鉴于此，本发明的目的在于提供一种基于多维的遥感图像微小目标检测方法。

为达到上述目的，本发明提供如下技术方案：

一种基于多维的遥感图像微小目标检测方法，该方法包括以下步骤：

1)M3DNet网络能够使用多个流提取微小目标的特征信息，首先选取N个不同深度的流构建多深度图像金字塔网络，该网络中不同的流输入不同分辨率的遥感图像；

2)使用浅层流输入高分辨率图像，专注于微小目标的纹理信息；深层流输入低分辨率图像，提取微小目标的深层语义信息，不同分辨率图像使用缩放因子β进行调整；

3)根据流的个数构建多尺度特征金字塔，将对应N个流的特征进行多尺度融合，缓解多尺度、多层次特征之间的不平衡性；不同维度特征层之间使用[1×1,1]的卷积网络进行维度匹配，不同尺度特征之间使用双线性插值算法进行尺度匹配；