[发明专利]一种用于长形地面目标检测网络的检测方法

说明书

本发明涉及一种用于长形地面目标检测网络的检测方法，在卷积层与池化层之间加入了注意力模块，由通道注意力模块和空间注意力模块构成，使得网络提取到的特征更符合目标图像的真实特征，对后续步骤的处理起到更积极的作用，相比于原始的网络，在模型运行时间差别不大的情况下，能够得出更加准确的检测效果。本发明设计科学合理，实现高效率、高精度的目标检测，利用此网络可以帮助在遥感图像上快速找到城镇、机场、道路以及桥梁等重要信息，从而为沙漠化面积监测、河流流量监测、评估城市的发展水平等方面的工作提供便利。

技术领域

本发明属于计算机视觉中的目标检测领域，涉及深度学习技术，特别涉及一种用于长形地面目标检测网络的检测方法。

背景技术

目标检测是机器视觉和图像处理领域的重要研究方向，并且在机械控制、人机交互等方面有广泛的应用。而随着空间技术的发展和成像设备的不断进步，高清卫星成为了分析土地使用情况、地面目标检测等任务的利器，计算机处理技术也已经越来越多地应用于遥感图像处理之中。在光学图像转换为数字图像之后，或通过遥感传感器直接获得数字遥感图像之后，就可以利用计算机对遥感图像数据进行处理，这种处理技术称为遥感图像数字处理方法，遥感图像目标检测与识别是卫星遥感图像处理领域中最基础的任务。

近年来，深度学习不仅在机器视觉领域取得了优秀的成绩，基于深度学习的目标探测与识别算法也因此成为人工智能领域备受瞩目的研究内容之一，具有共享权值、位移旋转不变性的卷积神经网络(Convolutional Neural Networks，CNN)包含了高层语义特征，在图像分类及目标检测项目中均取得很好的效果，对于提高遥感图像目标检测的准确率与对象识别正确率有很大的帮助。

Faster R-CNN首先将原始图像输入到卷积神经网络，提取出特征图，卷积网络的输出特征图被当作候选区域网络(Region Proposal Networks，RPN)的输入项，选取出符合目标特征信息的候选边框，最后对提取出的特征进行判别分类，使用回归器得到更精准位置。

本专利申请基于Faster R-CNN进行改进，提出一种用于长形地面目标检测网络的检测方法。

发明内容

本发明的目的在于克服现有技术的不足，提供一种用于长形地面目标检测网络的检测方法，实现高效率、高精度的目标检测，利用此网络可以帮助在遥感图像上快速找到城镇、机场、道路以及桥梁等重要信息，从而为沙漠化面积监测、河流流量监测、评估城市的发展水平等方面的工作提供便利。

本发明解决其技术问题是通过以下技术方案实现的：

一种用于长形地面目标检测网络的检测方法，其特征在于：所述方法的步骤为：

S1、将目标图像输入到预训练的网络中进行特征提取，并将提取到的特征信息利用注意力模块进行强化，得到特征提取图；

S2、将步骤S1中的特征提取图经过RPN网络生成候选框，找出若干感兴趣区域，用于后续的分类与定位；

S3、将步骤S1、S2中的若干感兴趣区域及特征提取图输入到分类层中，对若干感兴趣区域池化并进行全连接操作，利用分类器进行具体类别的分类，同时进行微调获得目标的精准位置；

S4、通过实验评估和验证对长形地面目标检测网络进行效果验证。

而且，所述步骤S1中对目标图像进行特征提取的具体步骤为：将输入的目标图像矩阵依次经过卷积模块、注意力模块及及池化模块进行特征提取操作，进行若干次顺序操作，得到最终的特征提取图。

而且，所述步骤S2中对RPN网络生成候选框的具体步骤为：

a、RPN网络接收步骤S1生成的特征提取图，利用锚点机制生成锚点，该锚点包含绝大多数的真实坐标边界框；

b、RPN网络通过所得到的锚点为目标图像选择输出良好的候选框；