[发明专利]融合多尺度上下文特征和通道增强的遥感图像目标检测方法

说明书

本发明公开了一种融合多尺度上下文特征和通道增强的遥感图像目标检测方法，其步骤包括：1、对遥感图像数据集进行预处理；2、构建基于级联递归卷积和注意力机制的神经网络模型；3、利用步骤2的模型，构建多尺度上下文特征增强网络；4、使用子像素卷积和自适应采样因子设计空间金字塔通道增强网络进行多尺度特征融合并执行检测。本发明能解决遥感目标检测中目标尺度变化多样问题，提高多尺度目标的检测效果，并完成复杂背景下遥感图像目标独有特征的高效检测。

技术领域

本发明涉及遥感图像目标检测技术，具体涉及一种融合多尺度上下文特征和通道增强的遥感图像目标检测方法。

背景技术

遥感(Remote Sensing,RS)，字面理解即“远处的感知”，是一种非接触的，远距离的探测技术，广义上的遥感是指通过非接触式传感器(主要是星载或机载)获得的影像及数字图像进行记录、测量和解释，从而获得自然物体和环境的可靠信息的一门艺术、科学和技术。近几年科技的不断进步，遥感技术在此过程中迅速发展起来，高分辨率卫星和航空传感器提供了海量的高质量高分辨率遥感图像。遥感图像中包含丰富的地物信息，可以从中提取大量有价值的信息并用于科学技术研究。在数字图像处理领域中，遥感图像因其独特的成像视角，广泛应用于建筑物提取、资源勘探、农作物病虫害检测、城市规划、道路缺陷检测和军事侦察等领域，是一种重要的空间信息资源。

遥感图像目标检测任务是对图像中特定类别物体的识别与定位，该领域的研究重点是提升检测任务的性能，以获取更加精确的定位、更加细致的分类。遥感图像目标检测任务中定位和识别的首要条件是针对图像的特征提取。传统的特征提取方式主要是采用一些特征提取算子获取一系列边缘、纹理、颜色等初级几何特征。常用的特征提取算子包括角点检测算子(Harris)、方向梯度直方图(HOG)、哈尔特征(Haar)、尺度不变特征变换(SIFT)等。在此基础上，利用模版匹配或者Adaboost等机器学习的方法实现后续的目标检测任务。然而，遥感图像的分辨率较高且数据量很多，传统的检测方法效率比较低，造成较高的时间和人力成本。

深度学习是一个人工智能模块，它模仿人类大脑在处理数据和创建用于决策的模式时的运作。深度学习是人工智能(AI)中机器学习的一个子集，其具有能够从非结构化或未标记的数据无人监督地学习的网络。近20年来，深度学习无论是在理论还是在应用方面都得到了巨大的发展，有许多重大突破，深度学习已被成功地应用到人工智能、模式识别、数据挖掘、自然语言处理、语音识别、图像识别、信息检索和生物信息等许多计算机应用领域中，并且成为这些领域的核心技术。相比于传统算法，深度学习中的卷积神经网络能够学习到更高级的语义信息，因此具有较高的鲁棒性，能更好的完成遥感图像目标检测任务。遥感图像具有高分辨率、尺度多样、背景复杂度高、小目标多、目标方向任意等特点，充分地挖掘出遥感图像所蕴含的巨大信息价值，遥感图像的目标检测技术还有很大研究空间。

由于遥感图像背景复杂，经过主干网络进行特征提取后直接进行特征融合容易造成不同尺度间的背景信息干扰，影响后续的检测效果。目前已有的主干网络特征增强方法多为在进行深层特征提取后新加模块获取特征图更多的感受野，忽略了浅层特征蕴含的上下文信息在后续特征融合时发挥的关键作用。传统的FPN在进行特征融合时由于深层特征的高通道数在1*1卷积后显著降低，造成部分通道信息丢失。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种融合多尺度上下文特征和通道增强的遥感图像目标检测方法，以期能解决遥感目标检测中目标尺度变化多样问题，提高多尺度目标的检测效果，并完成复杂背景下遥感图像目标独有特征的高效检测。

本发明为解决技术问题采用如下技术方案：

本发明一种融合多尺度上下文特征和通道增强的遥感图像目标检测方法的特点在于，是按如下步骤进行：

步骤1、获取带有目标真实框的遥感图像数据集记为T＝{T_n|n＝1,2,…,N}，其中，T_n表示第n张遥感图像；N表示遥感图像的数量；