[发明专利]一种用于遥感图像的新型实时检测器

说明书

本发明涉及视频图像处理技术领域，提供了一种用于遥感图像的新型实时检测器，所述方法包括步骤：a.本发明使用FSSD网络作为基准，对于具有固定分辨率的图像，首先基于骨干网络提取多级特征映射；b.通过自注意力模块对特征映射进行融合，并重建特征金字塔；c.利用检测预测层生成最终的预测盒坐标和相应的置信度。本发明实施例提供遥感图像的新型实时检测器与常用的YOLOV3、SSD、RFBNet、RefineDet和RetinaNet等实时监测目标模型相比，可以获得更高的检测精度，并且可以有效的避免漏检。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种遥感图像的实时检测类方法。

背景技术

随着遥感技术的快速发展，我们可以很容易地获得物体的更多细节，如轮廓和纹理信息。在这种情况下，快速、准确地识别目标成为一种日益增长的需求。与此同时，卫星遥感、飞行器遥感、无人机遥感等各种资源捕捉到的海量图像数据正以爆炸式的速度增长。此外，快速、鲁棒的目标检测在军事目标识别、交通监控、战场环境仿真等领域有着广泛的应用。目前，实时目标检测是计算机视觉领域一个活跃的研究课题。

然而，与一般图像中的目标检测相比，遥感图像中的目标检测是一个更具挑战性的问题，主要有两个原因。一是目标有各种各样的外观，颜色和姿势。另一个原因是探测模型容易受到不同天气条件和光照条件的影响。同时，遥感图像中的目标检测也面临着类间的外观变化问题，如变形、截断和遮挡。由于航空图像是从底部垂直或倾斜地在高空拍摄的，背景比一般图像更混乱。

目前有许多方法可用于实时目标检测。大多数模型都是基于一个简化的特征金字塔网络，只需简单的卷积运算就可以独立地收集主干网络获得的特征进行检测。SSD是一种典型的用于实时目标检测任务的通用模型。它采用特征金字塔来检测不同尺度的目标，用低级特征映射来检测小目标，用高级特征映射来检测大对象。忽略不同特征层之间的关系会导致对小目标检测中重要的上下文信息的忽视，从而导致小目标检测性能较差，召回率较低。虽然SSD模型及其变种能够在一般图像中以实时的速度获得满意的检测结果，但在目标尺度变化较大的拥挤场景中，这些模型大多难以获得良好的检测效果。然而，这些在遥感图像中非常常见。

发明内容

针对现有技术中的遥感图像实时目标检测方法所存在的上述缺陷，本发明的核心思想是利用自我注意机制进一步减少不同层次特征之间的不平衡问题，以及减少相似背景对象的特征干扰。并提出了一种新的遥感图像目标检测器SDFSD。一般的特征融合模块只包含少量的卷积层和归一化层，只能捕获局部空间信息。本发明利用自注意力模块来捕捉全球空间信息和频道信息。SDFSD保留了FSSD主干层特征后又重建了金字塔特征的独特结构，在特征融合层后增加了一种自注意力机制。一般来说，注意力机制有助于从复杂场景中估计出物体的确切位置。主要模块描述如下：将不同层次的特征投影到相同的大小，通过级联层将它们组合起来。本发明提出了一种新的轻量级自注意力模块：分割注意(SA)模块，使其在抑制噪声和突出前景的同时具有更高的识别能力。SA模块类似于被广泛使用的自注意力模块，它利用特征映射和训练权重进行卷积运算，得到最终的特征模式。SA模块的不同之处在于训练得到的权值被分解成具有相应层特征的卷积运算。本发明提出的SA模块可以减少某些直接连接处理带来的信息损失，并获得更丰富的高层语义特征。

总之，提供了一种用于遥感图像的实时检测器，包括以下步骤：

步骤S1：提供具有固定分辨率的图像，使用FSSD网络作为基准骨干网络，基于骨干网络提取多级特征映射；

步骤S2：通过自注意力模块对多级特征映射进行融合，并重建特征金字塔；

步骤S3：利用检测预测层生成最终的预测盒坐标和相应的置信度。

步骤S4：合成空间映射特征和多通道融合特征。

可选的，在本发明的一个实施例中，所述步骤S1提取的多级特征映射表示为其中，表示输入的第u级特征。