[发明专利]基于多尺度注意力机制的遥感图像车辆目标检测方法

说明书

本发明公开了一种基于多尺度注意力机制的遥感图像车辆目标检测方法，包括：S1，使用多层卷积神经网络对原始图片进行特征提取，将生成的不同尺度特征图构建一个自底向上的金字塔网络；S2，对于已经构建好的金字塔网络，实现自顶向下的特征融合，在融和过程中，依次对高层特征图进行通道注意力操作，并融合到低层特征图；S3，获取融合后的低层特征图的空间注意力信息，并融合到原有的低层特征中；S4，通过预先设定的大小、比例等生成大量候选框，根据检测目标的真实框大小决定所用到的特征图，再通过真实框与候选框的交并比判定候选框的正负性；S5，对得到的正样本候选框直接预测其类别信息以及回归信息，使用非极大抑制方法，滤除得到的重叠区域同类别候选框。

技术领域

本发明属于深度学习的图像处理的技术领域，具体涉及一种基于多尺度注意力机制的遥感图像车辆目标检测方法。

背景技术

随着遥感卫星技术的发展，大量的跨空间与跨时间的遥感图片可以被轻松获取到。遥感图像为人们分析地面车辆提供了一个崭新的视角。通过空中视角对车辆目标的检测可以帮助城市智能交通、城市交通规划、军事目标检测与跟踪，跨区域远程监测等任务顺利实施。而车辆目标的识别和检测是上述任务中重要而且基础功能。由于遥感图像的获取平台、获取方式不同，遥感图片的质量随之变化。不同的地面采样距离使相同的目标产生了不同的尺度，这对于不同目标尤其是小目标的检测带来了挑战。

传统的遥感图像车辆识别使用手动特征提取的方法，设计难度高且识别率低，难以在小而密集的车辆目标区域中准确识别车辆，且难以避免复杂的地面环境干扰信息。

随着深度学习技术的发展，通过深层次神经网络的训练能轻松的获取车辆目标语义信息。但是想要准确的识别车辆的具体位置还有不小的挑战。这其中，基于深度神经网络构成的特征金字塔在多尺度目标和小目标的检测领域被广泛使用。根据目标的面积信息选择不同尺度的特征图进行检测具有一定的效果提升。但是车辆目标由于小目标偏多使之大多聚集于较低层特征，通过简单的上采样和相加所得到的低层特征往往不具有很丰富的语义特征。

发明内容

鉴于以上存在的技术问题，本发明用于提供一种基于多尺度注意力机制的遥感图像车辆目标检测方法，针对车辆目标偏小的特征，对特征金字塔的低层特征采用了注意力机制强化方式。通过为低层的特征图融合通道注意力机制与空间注意力机制，使得低层的特征在通道以及空间信息上具有不同的权重，为后续网络的目标识别以及检测提供了更精确的语义信息，减小了遥感图像中背景信息对车辆目标的干扰。

为解决上述技术问题，本发明采用如下的技术方案：

一种基于多尺度注意力机制的遥感图像车辆目标检测方法，包括如下步骤：

S1，使用多层卷积神经网络对原始图片进行特征提取，将生成的不同尺度特征图构建一个自底向上的金字塔网络；

S2，对于已经构建好的金字塔网络，实现自顶向下的特征融合，在融和过程中，依次对高层特征图进行通道注意力操作，并融合到低层特征图；

S3，获取融合后的低层特征图的空间注意力信息，并融合到原有的低层特征中；

S4，通过预先设定的大小、比例等生成大量候选框，根据检测目标的真实框大小决定所用到的特征图，再通过真实框与候选框的交并比判定候选框的正负性；

S5，对得到的正样本候选框直接预测其类别信息以及回归信息，使用非极大抑制方法，滤除得到的重叠区域同类别候选框，得到最终的检测结果。

优选地，所述S1包括：选用ResNet-50作为基础卷积神经网络，图片经过网络，在不同的层输出不同尺度的特征图，每上一个特征图是下一个特征图所经过神经网络的输出，此时的不同特征具有不同的通道数，越上层的特征，通道数越多，但是尺度越小，首先对不同特征图进行通道数统一化，其过程如下：