[发明专利]一种基于元学习的小样本遥感目标检测方法

说明书

本发明公开了一种基于元学习的小样本遥感目标检测方法，包括：根据遥感图像构建支持集和查询集；获取支持集中每类遥感图像的类特征向量；获取查询集中每个遥感图像的感兴趣区域特征向量；计算类特征向量和感兴趣区域特征向量之间的距离，获得每类遥感图像的差异特征；对感兴趣区域特征向量进行通道级软注意力处理，得到每类遥感图像的类注意特征；通过全链接层对每类遥感图像的差异特征和每类遥感图像的类注意特征进行融合，得到融合特征；通过元检测器对融合特征进行遥感目标检测，解决如何减小对遥感图像误检、漏检导致目标检测效率低的问题。

技术领域

本发明属于目标检测技术领域，尤其涉及一种基于元学习的小样本遥感目标检测方法。

背景技术

目标检测是光学遥感图像分析的重要内容，是将图像数据转化为应用成果的关键一环，可以为遥感图像应用系统运行节省大量时间，为使用者提供决策支持。因此，对遥感图像中感兴趣目标(飞机，舰船，车辆等)进行定位提取是遥感图像处理和信号与信息处理等领域的热点问题。

近年来，随着大规模标定数据集和深度神经网络结构的提出，深度学习算法在图像分类、语义分割、目标检测、显著性检测等任务上取得了很高的准确率。但是，深度神经网络模型参数量大，学习新的概念需要及时提供大量的标定数据，当样本量少时必然出现过拟合现象。

近年来，针对上述问题小样本学习在遥感数据的分类任务上取得了一些不错的成果，但小样本目标检测由于包含分类与回归两个子任务，这两个子任务要求模型识别对象的类别并同时边界定位。对于分类子任务，出现对遥感图像误检、漏检是相当严重的问题。

发明内容

本发明的目的是提供一种基于元学习的小样本遥感目标检测方法，以解决如何减小对遥感图像误检、漏检导致目标检测效率低的问题。

本发明采用以下技术方案：

本发明提供了一种基于元学习的小样本遥感目标检测方法，该方法的实施步骤包括：

根据遥感图像构建支持集和查询集；

获取支持集中每类遥感图像的类特征向量；

获取查询集中每个遥感图像的感兴趣区域特征向量；

计算类特征向量和感兴趣区域特征向量之间的距离，获得每类遥感图像的差异特征；

对感兴趣区域特征向量进行通道级软注意力处理，得到每类遥感图像的类注意特征；

通过全链接层对每类遥感图像的差异特征和每类遥感图像的类注意特征进行融合，得到融合特征；

通过元检测器对融合特征进行遥感目标检测。

可选地，根据遥感图像构建支持集和查询集包括：

对将遥感图像数据集的中的新类遥感图像进行掩码转换，将所有掩码转换后的遥感图像构成支持集；

将遥感图像数据集中的基类遥感图像构成所述查询集。

可选地，获取支持集中每类遥感图像的类特征向量包括：

计算支持集中每类遥感图像的代表特征；

对待表特征进行池化，获得每类遥感图像的类特征向量。

可选地，每类遥感图像的代表特征的计算方式包括：

其中，表示每类遥感图像的代表特征，表示支持集中每一类别下每个遥感图像的图像特征。

可选地，每类遥感图像的差异特征的计算方式包括：