[发明专利]一种大规模遥感图像中不规则形状目标的检测方法及系统

说明书

本发明涉及一种大规模遥感图像中不规则形状目标的检测方法及系统，包括：获取待检测遥感图像；将所述待检测遥感图像输入至预先训练的不规则形状目标检测网络，通过注意力机制捕获图像中目标物体的所在区域，给予高度关注，再利用可变形卷积对物体进行特征提取，提取丰富的可变形物体的特征，最后使用特征金字塔网络对浅层特征进行增强，以及全卷积神经网络对目标进行分类和回归，输出所述待检测遥感图像中的目标对应检测结果；本发明提供的技术方案中全部由卷积操作完成，不需要预先设定的回归框，目标识别过程中不需要物体具有明显的几何特征，简单高效，在处理形状不规则的非刚性物体方面精度和速度都有很大提升。

技术领域

本发明涉及计算机视觉领域，具体涉及一种大规模遥感图像中不规则形状目标的检测方法及系统。

背景技术

现有的目标检测技术主要面向的是刚性物体，刚性物体往往具有统一的形状特征，这使得网络可以通过学习目标物体的形状达到检测的目的。但是在现实生活中还存在许多非刚性物体，同一类别之内形状差异巨大，没有明显的几何特征。这些使得现有的目标检测技术检测非刚性物体时遇到了两个巨大困难，一是特征提取模块无法提取丰富的形状不规则物体特征，二是无法同时对多种形状很好地回归。

首先在特征提取方面，卷积神经网络提出以后，在图像分类、目标检测、语义分割等领域取得了巨大的进展，但是常规的卷积操作往往只能捕获局部特征，无法对形状变化较大的不规则物体进行有效建模。可变形卷积则解决了这个问题，可变形卷积对卷积核中的每个采样点的位置都增加了一个offset。通过这些offset，卷积核就可以在当前位置附近随意的采样，实现对不规则物体的建模。但是在没有辅助监督的情况下，可变形卷积往往会额外捕获目标物体周围的多余信息，影响物体的精确定位。

在检测方法上，现有的基于深度学习的目标检测方法主要分为Anchor base和Anchor free两大方向，Anchor base通过预先设定一些固定形状的anchor，然后通过两阶段检测器或一阶段检测器对预设的anchor进行位置调整达到检测的目的，但对于任意形状的目标检测而言少数的anchor尺寸难以覆盖各种形状的目标。Anchor free又可以分为基于关键点检测和基于FCN的方法，基于关键点检测的算法以Corner Net、Center Net为主，通过检测关键点然后对关键点聚类达到检测的效果。基于FCN的anchor free方法以FCOS、Fovea Box、FSAF为主，不需要预设的anchor通过全卷积神经网络直接进行目标框预测和分类，简单高效，适用于各种形状的目标检测。虽然Anchor free适用于各种形状的目标检测，但由于缺乏不规则物体有效的特征表示，检测结果还是不如人意，存在较大误差。

发明内容

针对现有技术的不足，本发明的目的是提供一种简单高效且在处理形状不规则的非刚性物体方面精度和速度都有很大提升的大规模遥感图像中不规则形状目标的检测方法及系统；

本发明的目的是采用下述技术方案实现的：

本发明提供了一种大规模遥感图像中不规则形状目标的检测方法，其改进之处在于，所述方法包括：

获取待检测遥感图像；

将所述待检测遥感图像输入至预先训练的不规则形状目标检测网络，获取所述预先训练的不规则形状目标检测网络输出的所述待检测遥感图像中的目标对应检测结果；

基于所述待检测遥感图像中的目标对应检测结果实现所述待检测遥感图像中的目标的目标识别。

优选的，所述预先训练的不规则形状目标检测模型的获取过程包括：

步骤1.人工标注遥感图像数据中遥感图像的检测目标的类别和边界框；

步骤2.将所述遥感图像数据划分为训练数据和测试数据；