[发明专利]基于YOLOX的光学遥感影像地物检测方法

说明书

本发明公开一种基于YOLOX的光学遥感影像地物检测方法，首先设计了基于CBMA混合域卷积块注意力机制的特征提取模块，更加关注特征图中正样本特征信息。其次，在特征提取模块PANET加入了ASFF模块，以解决多尺度目标检测问题。最后，通过引入EIoU损失和VariFocalLoss损失，准确反映两个预测目标的真实距离误差，提升多目标检测性能。在DOTA数据集上进行实验，通过消融实验和对比实验验证了改进方法的最佳机制和有效性。在添加ASFF机制和CBAM注意力机制的前提下，改进网络模型mAP精度达70.75％，较原始网络提升了9.08％，与主流目标检测算法的对比实验结果表明提出的方法的有效性。

技术领域

本发明涉及遥感影像目标检测技术领域，尤其涉及一种基于YOLOX的光学遥感影像地物检测方法。

背景技术

遥感影像中的地物要素分类，在地形图测绘、情报侦察、城市规划和灾害应急响应等方面都具有重要的应用价值。与传统的自然图像不同，遥感影像含有大量典型目标信息，遥感影像背景复杂，特征图上干扰信息的多，目标分布密集的情况进一步加大了遥感图像目标检测的难度。经典的深度学习目标检测算法在这种复杂条件下精度低、易漏检。

近年来，基于深度学习的方法广泛应用于遥感影像地物检测。2016年，JosephRedmon等人提出了YOLO模型[Redmon J,Divvala S,Girshick R,et al.You Only LookOnce:Unified,Real-Time Object Detection[C]//Proceedings of 2016IEEEConference on Computer Vision and Pattern Recognition.Piscataway:IEEE Press,2016:779-788.]，依靠YOLO系列强大的特征提取能力涌现了大量的检测算法,在小目标、多尺度、多模态变化等具有挑战性的遥感检测场景，相较于原网络性能明显提升。然而以YOLO系列网络为代表的检测算法仍有改进优化的空间：多尺度特征提取中，对高层特征图中的弱小特征的加强提取不足，目标细节化特征和语义化作用发挥不明显；复杂背景下无法对无效特征信息进行抑制，正样本信息挖掘利用不充分；密集目标检测中，重合目标预测精度不高，回归不准确，易丢漏错漏；密集目标检测器分类中，前景类和背景类之间样本不平衡造成分类性能差等问题都有待进一步优化。

发明内容

本发明针对以YOLO系列网络为代表的检测算法目前存在的上述问题，提出一种基于YOLOX的光学遥感影像地物检测方法。

为了实现上述目的，本发明采用以下技术方案：

一种基于YOLOX的光学遥感影像地物检测方法，包括：

步骤1，对YOLOX进行改进；包括：首先，在主干网络特征图和采样层输出部分添加基于CBAM混合域卷积块的注意力机制，得到基于CBMA混合域卷积块注意力机制的特征提取模块，对高层特征图中的弱小特征进行加强提取；其次，在FPN特征金字塔提取网络中融合ASFF模块，通过扩大的感受野挖掘高级语义特征，来兼顾底层特征中的细粒度；最后，在YOLOHead检测模块中引入EIoU损失和VariFocalLoss损失，改化预测框模糊误差，直接计算真实误差，抑制无用信息，聚焦正面特征信息；

步骤2，基于改进后的YOLOX进行光学遥感影像地物检测。

进一步地，所述基于CBAM混合域卷积块的注意力机制用于首先逐通道提取全局特征，生成通道注意力特征图，并以此作为空间注意力的输入，最终生成混合域特征图。

进一步地，所述ASFF模块用于自适应地学习各尺度特征映射融合的空间权重，通过学习权重参数的方式将不同层的特征融合到一起。通过引入ASFF结构，实现每一层的权重参数与特征相乘再相加的融合方式，能过滤其它层的特征，只保留该阶层有用的信息，使得提取的特征更加层次化。

进一步地，所述在FPN特征金字塔提取网络中融合ASFF模块包括：