[发明专利]基于深度学习的遥感图像飞机检测模型及方法

说明书

本发明提供一种基于深度学习的遥感图像飞机检测模型及方法。该模型包括：下采样单元、上采样单元、特征融合单元和检测单元；所述下采样单元的输出和所述上采样单元的输出作为所述特征融合单元的输入，所述特征融合单元的输出作为检测单元的输入；所述下采样单元包括依次相连接的CBL模块、ResUnit*1卷积块、ResUnit*2卷积块、第一ResUnit*8卷积块、第二ResUnit*8卷积块、ResUnit*4卷积块和CBL*5模块；其中，ResUnit*1卷积块、ResUnit*2卷积块、第一ResUnit*8卷积块、第二ResUnit*8卷积块、ResUnit*4卷积块分别对应5次下采样操作，每次下采样操作均使得输入的遥感图像的大小缩小为原来的1/2。本发明可以提高目标物体的检测率。

技术领域

本发明涉及遥感图像目标检测技术领域，尤其涉及一种基于深度学习的遥感图像飞机检测模型及方法。

背景技术

飞机作为民用生活和军事活动不可或缺的重要物体之一，在航空领域中发挥着重要的作用，因此对飞机的目标检测具有相当大的指导意义。另一方面，遥感图像目标检测的难度与物体所处的背景环境有着很大的关联，处于广阔机场范围领域内的飞机，以机场为背景，检测目标与背景之间存在严重的差异性，会造成背景和检测目标之间的平衡性失调，此外由于飞机的尺寸普遍偏小，给飞机目标检测增加了很大的难度。

传统的目标检测方法（如Viola P, Jones M. Rapid object detection using aboosted cascade of simple features[C]//Proceedings of the 2001 IEEE computersociety conference on computer vision and pattern recognition. CVPR 2001.IEEE, 2001, 1: I-I；Viola P, Jones M J. Robust real-time face detection[J].International journal of computer vision, 2004, 57(2): 137-154.）通过手动设计的特征，对图像进行特征的提取，然后将提取出来的特征输入到网络模型中，通过滑动窗口的机制进行候选框的选取，最后再将选取的候选框通过分类器进行类别的分类。然而，这种手动提取的特征往往不具备鲁棒性，难以适当地描述图像的特征，并且滑动窗口的提取策略相当复杂和耗时。

发明内容

针对传统目标检测方法存在手动提取特征困难并且提取出来的特征鲁棒性不强的问题，本发明提供一种基于深度学习的遥感图像飞机检测模型及方法，实验证明，本发明在遥感图像飞机检测中Precision、Recall、F1-score以及Map等各项性能指标均有所提高。

一方面，本发明提供一种基于深度学习的遥感图像飞机检测模型，包括下采样单元、上采样单元、特征融合单元和检测单元；所述下采样单元的输出和所述上采样单元的输出作为所述特征融合单元的输入，所述特征融合单元的输出作为检测单元的输入；其中：

所述下采样单元包括依次相连接的CBL模块、ResUnit*1卷积块、ResUnit*2卷积块、第一ResUnit*8卷积块、第二ResUnit*8卷积块、ResUnit*4卷积块和CBL*5模块；其中，ResUnit*1卷积块、ResUnit*2卷积块、第一ResUnit*8卷积块、第二ResUnit*8卷积块、ResUnit*4卷积块分别对应5次下采样操作，每次下采样操作均使得输入的遥感图像的大小缩小为原来的1/2；

所述上采样单元包括3层结构相同的上采样模块；每层所述上采样模块均包括依次连接的CBL模块和UpSample模块；

所述特征融合单元包括3层结构相同的融合模块，每层所述融合模块均包括依次连接的Concat模块和CBL*5模块；

所述检测单元包括4层结构相同的检测分支网络；每个所述检测分支网络均包括依次相连接的CBL*5模块、CBL模块和Conv模块；