[发明专利]一种基于优化SSD算法的遥感图像目标检测方法及系统

权利要求书

1.一种基于优化SSD算法的遥感图像目标检测方法，其特征在于，包括以下步骤：

步骤1：将待检测遥感图像输入高效遥感图像目标特征提取网络进行关键特征提取，得到所需的特征图；

所述高效遥感图像目标特征提取网络，包括顺序连接的13层网络；第一层网络为卷积层，作为接受输入数据层，将输入的数据图像特征图分辨率转化为300*300*3，步长为2，卷积核大小为3*3；第二层网络为卷积层，将数据图像特征图分辨率转化为38*38*512，步长为2，第二层网络中添加高效注意力机制，其中，高效注意力机制包括全局最大池化和全局平均池化，在池化之后分别加入全连接层、激活函数relu和全连接层，最后通过Sigmoid函数进行处理，再进行通道权值的联乘，得到结果，将得到的结果进行卷积，通过和上采样处理后的特征相结合，经过RFB结构进行处理，最后将处理后的结果输入非极大抑制层NMS中进行非极大抑制处理；第三层网络为MaxPooL层，设置步长为2输出特征图尺寸19*19*512；第四层网络为Conv_3*3卷积层，步长为1，卷积后特征图分辨率为19*19*512；第五层网络为卷积层，设置步长为1，卷积后特征图分辨率为19*19*1024；第六层网络为双卷积层，设置步长为1，卷积后特征图分辨率为19*19*1024，然后卷积为19*19*256，将结果输入到NMS中；第七层网络为RFB结构层，进行特征的增强提取，将结果输入到NMS中；第八层网络为RFB结构层，进行特征的增强提取，输出特征图分辨率19*19*512，将结果输入到NMS中；第九层网络为RFB结构层，进行特征的增强提取，输出特征图分辨率19*19*512，将结果输入到NMS中；第十层网络为卷积层，卷积核大小为3*3，步长为1，输出特征图分辨率10*10*128；第十一层网络为卷积层，卷积核大小为3*3，步长为1，输出特征图分辨率5*5*128，将结果输入到NMS中；第十二层网络为卷积层，卷积核大小为3*3，步长为1，输出特征图分辨率3*3*128；第十三层网络为卷积层，卷积核大小为3*3，步长为1，输出特征图分辨率1*1*256，将结果输入到NMS中；NMS的输出为最终提取出的特征图；

步骤2：将得到的特征图输入正反向迭代融合多尺度特征网络进行特征融合，生成新的特征图；

所述正反向迭代融合多尺度特征网络，包括T-Conv_1层、T-Conv_2层、T-Conv_3层、T-Conv_4层、T-Conv_5层和Conv层，用于对所述高效遥感图像目标特征提取网络输出的特征T1、T2、T3、T4、T5分别经过一个网络和级联来使所有的特征处于同一范围的特征信息尺度，并按照T5、T4、T3、T2、T1的顺序分别经过上层网络和级联进行反向融合操作，最后得到正反向融合多尺度特征，多层融合特征再经过一层卷积核大小为3，步长为2的卷积层，得到总体特征；

所述T-Conv_1层步长为1，卷积核大小为5*5，卷积核个数为1024；T-Conv_2层步长为1，卷积核大小为5*5，卷积核个数为512；T-Conv_3层步长为1，卷积核大小为5*5，卷积核个数为256；T-Conv_4层步长为1，卷积核大小为5*5，卷积核个数为128；T-Conv_5层步长为1，卷积核大小为5*5，卷积核个数为64；Conv层步长为2，卷积核大小为3*3，卷积核个数为64；

步骤3：利用基于聚类算法的锚框匹配网络，对图像中不同类别的目标根据融合生成的新的特征进行锚框的聚类匹配，使每个待检测目标得到最合适的锚框，作为目标检测结果；

所述基于聚类算法的锚框匹配网络，由第一卷积层、第二卷积层、Canopy分配层和K-means算法聚合锚框层组成；所述第一卷积层是卷积核大小为7*7的卷积层，步长为1；所述第二卷积层为卷积核大小为3*3的卷积层，步长为2；所述Canopy分配层由第三卷积层、Canopy层、残差块和第三反卷积层组成；其中第三卷积层步长为1，卷积核大小为5*5；第三反卷积层步长为1，卷积核大小为5*5；Canopy层步长为1，卷积核大小为5*5，激活函数为relu；所述K-means算法聚合锚框层由第四卷积层、K-means卷积层和第四反卷积层组成；其中第四卷积层步长为2，卷积核大小为5*5；第四反卷积层步长为2，卷积核大小为5*5；K-means卷积层步长为2，卷积核大小为5*5，激活函数为relu。