[发明专利]基于密度图与注意力机制融合的遥感图像目标检测方法

权利要求书

1.基于密度图与注意力机制融合的遥感图像目标检测方法，其特征在于，包括如下步骤：

步骤1：输入遥感图像，根据图像中物体的分布生成密度图并进行图片分割。

步骤2：将分割后的图片通过ImageNet数据集上预先训练的Resnet101进行自下而上的特征提取。

步骤3：采用改进的FPN特征金字塔通过横向连接分别连接Resnet101的特征层，自下至上的不同维度特征生成，自上至下的特征补充增强，低层特征图包含更多的位置信息，有利于定位的实现，而高层特征图包含更多的语义信息，更有利于分类的实现。

步骤4：引入注意力机制模块，水平连接FPN各特征层，在不引入过多参数的情况下获得较好的语义信息捕获能力。注意力机制模块包括跨通道注意块和坐标注意块，由两个注意块获得的权值乘以原始特征图。将两个特征图相加后，得到去噪网络。

步骤5：通过FPN的特征层，区域生成网络在每个尺度上根据预测中心点坐标和宽、高生成候选区域(x，y，w，h)，x，y，w，h分别代表中心点的横坐标，纵坐标，宽和高；将候选区域进行池化操作，进一步提取降维后的候选区域特征，作为全连接层分类的输入。

步骤6：用Soft-NMS替换NMS，减少误检率。使用Soft-NMS进行交并比数据后处理，使用高斯加权函数找出最佳锚框；

其中，S_i代表b_i的得分，M是当前得分最高的锚框，b_i是要处理的锚框。D代表最终检测锚框集，IOU表示交并比，即检测锚框与地真值的重叠率。f_IOU(M，b_i)是M和b_i之间的交并比。f_IOU(M，b_i)越大，S_i下降的越严重。

步骤7：将池化特征输入全连接层，输出目标的位置以及通过Softmax输出目标分类，通过平均精度(AP)和类平均精度(mAP)对目标的检测的性能进行评估。首先定义精度和召回率：

其中，当锚框与真实区域的面积交比大于0.7时，认为锚框是正确检测的目标框(TP)，否则认为是错误检测的目标框(FP)。此外，如果该区域多个锚框和真正的区域面积的交并比大于0.7，只有面积最大的矩形框架交叉比率将被视为正确检测到目标框架(TP)，其他矩形帧被认为是一个错误的检测帧(FP)。FN表示被错误判断为错误检测锚框的正确检测锚框的数量。

设置步长为0.1，并在recall＝[0，0.1，0.2，...，1]时取相应的精度值。这些精度值的平均值为AP。mAP是计算所有类的AP的平均值。最终得到预测目标类别和坐标回归的精度。