[发明专利]一种基于SE-YOLOv3的轻量级遥感目标检测方法

说明书

本发明请求保护一种于SE‑YOLOv3的轻量级遥感目标检测方法，属于目标检测技术领域，包括以下步骤：步骤1.YOLOv3算法为基础模型框架，为了减少网络参数提升网络推理速度，本发明设计了轻量级主干特征提取网络。步骤2.为了提高特征的尺度不变性，降低过拟合风险，本发明提出使用空间金字塔池化(SPP)算法，进行三个尺度的池化得到固定长度的输出特征向量。引入了空间注意力模型SE模块，进一步的压缩无用信息增强有用信息。步骤3.通过迭代训练、更新参数得到最终的网络模型，利用该模型采取多尺度预测，通过三个尺度的检测头预测最终结果。本发明在有效提升网络的推理速度的同时，保证了精度，增强了网络的特征表达能力，并提高了尺度不变性。

技术领域

本发明属于计算机视觉和深度学习领域，特别是涉及一种基于SE-YOLOv3的轻量级框架遥感图像目标检测方法。

背景技术

随着航空航天技术和深度学习的快速发展，高分辨率大尺度遥感图像数据不断丰富，遥感图像通常存在尺度变化大、高分辨、目标分布稀疏等问题。人工神经网络在遥感图像目标检测领域得到广泛的应用，但是大多数算法都是基于先验框的方式，在遥感图像中进行全方位的扫描检测，对于大场景的图像和大型特征提取网络，这一方式需要大量的计算资源。为了兼顾检测速度和检测精度，实现快速遥感目标检测成为当前领域的一个研究热点。

目标检测即找出图像中所有感兴趣的物体，包含物体定位和物体分类两个子任务，同时确定物体的类别和位置。目前广泛应用的目标检测方法主要分为两类：One-stage和Two-stage。Two-stage方法是基于区域的算法，将目标检测划分为检测和识别两个阶段，首先有算法或者网络在图像中寻找感兴趣区域，再对区域内的目标进行识别，如RCNN，Fast-RCNN，Faster-RCNN等；而One-stage方法是一种端到端的算法，利用回归的思想直接产生目标的类别概率和位置坐标，实现检测与识别，如YOLO，SSD等。One-stage方法相对于Two-stage方法在速度方面快很多，但是在精度上面相对较低。

由于遥感图像中目标存在成像视角单一、目标分布密集和目标尺度变化大等特点，直接将自然场景目标检测方法应用于遥感图像目标检测任务中，并不能获得满意的效果。而且其高分辨率，图像尺寸大的问题会加重算法的计算代价。近年来，One-stage算法在精度上已经可以和Two-stage算法相媲美，YOLO算法系列是具有代表性的One-stage算法，YOLOv3算法是速度和精度均衡的目标检测网络，但相比于RCNN系列物体检测方法识别物体位置精准性差，召回率低。因此如何设计一个适用于遥感图像快速目标检测的算法，保持较高的精度和速度，依旧是个难点。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种基于SE-YOLOv3的轻量级遥感目标检测方法。本发明的技术方案如下：

一种基于SE-YOLOv3的轻量级遥感目标检测方法，其包括以下步骤：

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(resize)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(anchor)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(Backbone)对遥感图像进行特征提取；

步骤3：在102的基础上，利用空间金字塔池化(spatial pyramid pool，简称SPP)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(squeeze-and-excitation，简称SE)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。

进一步的，所述步骤1具体包括以下步骤：