[发明专利]一种基于动态注意力机制的遥感目标快速检测方法及系统

说明书

本发明涉及一种基于动态注意力机制的遥感目标快速检测方法及系统，包括：将待检测遥感图像输入至预先训练的检测网络，获取所述预先训练的检测网络输出的待检测遥感图像的初始地物目标检测结果；利用非极大值抑制算法对所述初始地物目标检测结果进行筛选，获取所述待检测遥感图像的最终地物目标检测结果；本发明提供的技术方案有效地解决了复杂遥感场景中的小物体检测问题，为不同尺度的物体动态分配注意力，为后续包括但不限于遥感图像目标检测在内的计算机视觉任务提供有效的技术。

技术领域

本发明涉及计算机视觉领域，具体涉及一种基于动态注意力机制的遥感目标快速检测方法及系统。

背景技术

随着深度学习的发展，卷积神经网络在自然场景的图像分类与识别领域取得了突破性进展，和自然场景相比，光学卫星遥感图像尺寸大，背景复杂，包含的对象数量众多，待检测目标尺寸小，有的场景中小目标密集聚在一起难以区分；另外还存在目标旋转与仿射等现象以及云雾、海面波纹、阴影、光照与拍摄角度等影响；在实际应用中，对检测速度要求也较高。这使得在计算机视觉中的深度学习方法不能直接应用于遥感领域。

当前主流的遥感图像目标检测方法大多用来解决较简单的检测问题，无法很好地适应复杂遥感图像的检测场景，对包含小物体较多的复杂场景效果不好。需要为小物体提供更多的权重，进而促进小物体的检测精度。常见的算法大多是融合不同尺度的特征来增强小物体周边的信息，忽略了由于尺寸差异造成的信息缺失。在训练的过程中，将大尺度的物体和小尺度的物体赋予同样的权重会忽略很多小物体的信息。

发明内容

针对现有技术的不足，本发明的目的是提供一种基于动态注意力机制调节的大规模遥感地物目标快速检测方法。

本发明的目的是采用下述技术方案实现的：

一种基于动态注意力机制的遥感目标快速检测方法，其改进之处在于，所述方法包括：

将待检测遥感图像输入至预先训练的检测网络，获取所述预先训练的检测网络输出的待检测遥感图像的初始地物目标检测结果；

利用非极大值抑制算法对所述初始地物目标检测结果进行筛选，获取所述待检测遥感图像的最终地物目标检测结果。

优选的，所述预先训练的检测网络的训练过程包括：

步骤1.对遥感图像数据中的遥感图像进行人工语义标注，并将所述遥感图像数据划分为训练数据、验证数据和测试数据；

步骤2.对所述训练数据进行数据增强；

步骤3.对所述训练数据、验证数据和测试数据进行均值化处理后切片为1024×1024；

步骤4.利用所述训练数据、验证数据和测试数据对初始神经网络模型进行训练，并将训练完成的初始神经网络模型作为所述预先训练的检测网络。

进一步的，所述数据增强包括：平移、旋转、尺度缩放和/或高斯模糊。

进一步的，所述初始神经网络模型包括：基础网络、空间金字塔网络、第一卷积池化层、第二卷积池化层、第三卷积池化层、第四卷积池化层、第五卷积池化层、特征融合单元、区域生成单元和分类回归模块；

所述基础网络，用于提取训练数据中遥感图像下采样16倍的特征图；

所述空间金字塔网络，用于基于所述训练数据中遥感图像下采样16倍的特征图获取具有不同感受野的特征C₁；

所述第一卷积池化层，用于将C₁依次经过卷积层和池化层得到C₂；

所述第二卷积池化层，用于将C₂依次经过卷积层和池化层得到C₃；