[发明专利]一种基于SE-YOLOv3的轻量级遥感目标检测方法

权利要求书

1.一种基于SE-YOLOv3的轻量级遥感目标检测方法，其特征在于，包括以下步骤：

步骤1：将遥感图像数据集分为训练集和测试集，对训练集进行预处理，主要涉及图片的尺寸调整和数据增强操作，得到完备样本数据集并通过K-means算法聚类获取锚框的尺寸大小；

步骤2：利用深度可分离卷积参数量和运算成本较低的特性，构建轻量级主干网对遥感图像进行特征提取；

步骤3：在步骤2的基础上，利用空间金字塔池化提高特征的尺度不变和降低过拟合，得到固定长度输出，并采用挤压和激励注意力模块将浅层信息和深层信息融合；

步骤4：通过多尺度迭代训练得到最终的网络模型，使用训练得到的模型对测试图片进行预测，从而得到的检测结果；

所述步骤2构建轻量级Backbone对遥感图像进行特征提取，具体包括：

2.1在Ultralytics版YOLOv3网络模型上进行特征提取，YOLOv3的主干网Backbone包括一个输入层，52个卷积层，23个融合层，根据YOLOv3网络结构，将其分为15个块block，每个block使用1×1的常规卷积进行升维后，使用3×3深度卷积Depthwise抽取特征；

2.2接着将Depthwise卷积提取的特征输入到轻量级挤压激励模型调整每个通道的权重，SE网络结构中一组特征在上一层被输出，分两条路线，第一条直接通过，第二条首先进行挤压操作，把每个通道2维的特征压缩成一个1维，从而得到一个特征通道向量，每个数字代表对应通道的特征，然后进行激励操作，把这一列特征通道向量输入两个全连接层和sigmoid，建模出特征通道间的相关性，得到的输出其实就是每个通道对应的权重，把这些权重通过尺度乘法通道加权到原来的特征上，这样就完成了特征通道的权重分配，得到新的通道特征图；

2.3采用点卷积来将这些特征图进行组合生成新的feature map，PointwiseConvolution的卷积核的尺寸为1×1×M，M为上一层的通道数，卷积运算会将上一步的map在深度方向上进行加权组合，输出M个新的feature maps；

2.4将当前层及其倒数第四层输出特征输入到直连shortcut残差层，进行ADD操作，并使用线性Linear激活函数激活，shortcut连接相当于执行同等映射，在最后一个shortcut层就得到了最终feature maps；

所述步骤3利用空间金字塔池化SPP和SE注意力模型优化特征，具体包括：

3.1训练阶段采用各种尺寸的图像进行训练，将步骤2的结果输入到SPP中，将featuremaps分别分成16、4、1份，进行最大池化操作Max Pooling，feature maps就被转化成了16*256+4*256+1*256＝21*256的矩阵，也就是21维特征向量；

3.2通过对3.1得到同一尺寸的feature maps使用通道注意力模块进行处理，得到一个和通道数一样的一维向量作为每个通道的评价分数，然后将改分数分别施加到对应的通道上，得到加强后的特征；

3.3将加强后的特征输入到三个尺度的YOLO检测头，分别对应小，中，大目标对象，使用1.3中聚类出的anchor box作为先验框，并设置所预测对象类别数量；

3.4至此为止，整个网络框架搭建完成。

2.根据权利要求1所述的一种基于SE-YOLOv3的轻量级遥感目标检测方法，其特征在于，所述步骤1具体包括以下步骤：

1.1对初始样本数据集中的图片数据通过裁剪生成1024*1024像素的图片，图片之间重叠256个像素，并且保持原来的注释，然后统计各个类别的目标数量和图片数量；

1.2对1.1中得到的图片数据进行筛选，去除没有目标对象的负样本图片，得到的正样本通过平移、旋转、调整饱和度和曝光度在内的操作，增加样本数据，对待识别目标的特征参数进行处理，得到完备的遥感目标检测数据集；

1.3通过K-means聚类算法，对1.2中得到的样本数据训练集所标注的待识别目标的真实目标边界框进行聚类分析。