[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

说明书

基于密度图与注意力机制融合的遥感图像目标检测方法。本发明主要基于密度图切割的思想，通过物体的稀疏或密集的分布情况，指导图像进行前景与背景的分割，尽可能减少目标检测中对于背景部分的计算，降低复杂背景对于小目标检测的影响，结合注意力机制，通过网络中的通道注意力机制过滤冗余矛盾的背景信息。使用空间注意力机制，更加关注图像中的目标区域，并抑制了非目标区域或背景区域。采用改进的FPN金字塔网络进行目标检测的多尺度特征提取，融合低层特征高分辨率和高层特征的高语义信息，用Soft‑NMS替换NMS，减少误检率。最后采用Faster R‑CNN二级检测器进行目标检测，生成目标类别及位置回归，最终达到提升小目标检测精度的目的。

技术领域

本发明属于计算机视觉技术领域，具体涉及基于密度图与注意力机制融合的遥感图像目标检测方法。

背景技术

到目前为止，目标检测是计算机视觉领域中一项基本而艰巨的任务。现有的检测方法可以分为基于模板匹配的方法，基于知识的方法，基于对象图像分析的方法和基于机器学习的方法四大类。深度学习算法是目前流行的一种新型计算模型，与传统的对象检测和定位方法相比，基于深度学习的方法具有更强的泛化能力和特征表达能力。但是，过大的图像，复杂的图像背景以及训练样本的大小和数量分布不均，使得检测任务更具挑战性。

遥感图像目标检测作为要给图像分割、遥感信息自动提取的基础任务，重在实现的是在遥感图像中标记目标的类别以及它的具体位置信息。然而，自然场景下的目标检测算法并未在遥感图像研究中取得突破性进展，高分辨率遥感图像中的目标检测是一项具有挑战性的任务，主要原因有以下几点：

1、遥感图像通常具有不同的分辨率并包含大量的实例目标，整体分布稀疏，收集到的物体相比较于一般物体尺度更小，复杂的场景经常使得小目标的特征信息被淹没，这使得遥感图像非常复杂；

2、收集到的数据受光照、地理位置以及地形、气候等自然因素影响，像素分布复杂，导致遥感图像目标检测难度显著上升；

3、受到拍摄角度的影响，密集物体场景下物体会有遮挡或堵塞的情况，这些物体的真值不全，不利于模型的训练；

4、航拍图像中无法保证每一类物体均衡出现于数据集中，因而数据集分布不均衡，给检测算法带来了极大的挑战。

对于高分辨率的航拍图像，通常的方法是将图片裁剪成均匀的小块，并对这些小块进行目标检测，这种方法的召回率比较高，漏检率较低。但是均匀裁剪，会导致均匀作物具有更多的背景像素，不能适应不同类别作物的边界框分辨率，此外这种方法不能利用语义信息进行裁剪，导致大多数分块图像只有背景或者大型物体可能被切割成两种或两种以上不同的作物，造成错检或漏检。

发明内容

发明目的：本发明的目的在于克服上述背景技术的不足，针对密集场景下物体会有遮挡的情况，由密度图引导，根据目标的分布对图片进行分割，尽可能将前景与背景区分开来，将生成的前景进行目标检测可以更快的检测遥感图像中的物体。结合注意力机制，通过网络中的通道注意力机制过滤冗余矛盾的背景信息，使网络上的信息更加准确，提高了网络识别目标的性能。使用空间注意力机制，更加关注图像中的目标区域，并抑制了非目标区域或背景区域。遥感图像中可能出现大量的小目标，从骨干网络到FPN卷积的过程中，丢失的特征层很可能直接丢失特征。单纯使用传统的FPN是有问题的，注意力机制模块可以更好地提取特征，并且可以避免转换过程中的特征丢失。采用Soft-NMS替换NMS，克服NMS对大量物体重叠场景的不适应，通过改进的FPN进一步的对目标进行多尺度特征提取以提高对遥感图像中目标检测的精度。

技术方案：为实现本发明的目的，本发明所采用的技术方案是基于密度图与注意力机制融合的遥感图像目标检测方法，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。