[发明专利]一种基于元学习和协同注意力的小样本遥感图像目标检测方法

说明书

本发明公开了一种基于元学习和协同注意力的小样本遥感图像目标检测方法，属于图像处理技术领域；首先，从元学习的思想出发对遥感图像进行one‑way one‑shot的任务划分；然后，将划分的支持集与查询集通入改进的特征提取网络，通过在特征提取网络中间的若干层添加协同注意力模块，实现通过支持集特征强化查询集上特征分布的目的。基于查询图像最终得到的特征图构建多分支检测头部，计算改进的特征提取网络的损失函数。最后，对于包含新类别目标的遥感图像，利用训练好的改进的特征提取网络进行目标预测。本发明引入元学习的思想构建多个小样本学习任务，增强检测模型的快速适应性需求。

技术领域

本发明属于图像处理领域，具体涉及一种基于元学习和协同注意力的小样本遥感图像目标检测方法。

背景技术

近年来，航空遥感技术和无人机技术发展迅速。航空遥感图像作为一种有效的信息载体，可以扩展人眼的视野范围，被广泛应用于情报侦察等军事行动以及环境监测、矿产侦查、自然灾害预防、土地利用调查以及水资源保护等科学活动中。但是，通过航拍产生的大量高清图像数据已经超出人工实时判读和理解的能力范畴，难以通过人力及时准确的获取信息。针对遥感图像进行的目标检测任务，作为计算机视觉领域中的一个重点研究方向，是图像场景及语义理解的重要一环，对于后续民用项目及军事行动的开展具有重要的指导意义。

相较于通用领域的目标检测，遥感图像目标检测任务中面临着更为复杂的场景、更为艰难的数据采集和耗费更多人力物力的数据集标定。特别的，在一些应用中，无人机在执行任务时通常面临着新的地面场景和未知目标。不能够采集足够的任务区域遥感图像，同时又要求算法模型无需另行训练，快速对新场景新目标做出检测识别。因此，从以上需求出发，建立一个具备新任务快速适应性的小样本深度学习模型是遥感图像目标检测任务中所必需的。

现有的小样本学习研究多集中在图像分类任务中，小样本目标检测任务往往面临着更多的挑战。首先，目标检测不仅需要训练分类网络，还需要训练回归网络得到目标的位置和尺寸；其次，检测任务不仅需要关注高层语义信息，还需要底层网络中的像素级信息来实现目标定位；同时，目标检测任务中通常对背景类也有定义，当训练样本不足时，容易发生背景类和目标类别的混淆。因此相较于图像分类，小样本目标检测更加难以利用先验信息完成任务。

从以上问题出发，目前的小样本目标检测思路通常在两阶段目标检测框架的基础上，通过数据增广或者特征增强的方式加强先验知识。然而两阶段的检测算法通常面临着更多的计算复杂度和更慢的检测速度；数据增广的方法包括利用生成对抗网络来学习有限样本的特征分布，从而生成新数据用于训练，但数据增广的方法严重依赖生成网络的可靠性。特征增强的方法通过互注意力机制增强待测图像中的特征表达，然而空间和通道的互注意力处理通常是分开进行的，难以充分利用空间和通道之间的依赖性。

同时，现有的小样本目标检测算法通常是针对自然场景，城市场景及室内场景的图像。航空遥感图像成像距离远、视角特殊，与普通图像差异较大，已有的小样本目标检测算法难以获得好的检测效果。而且空间和通道信息丰富、目标具有多方向性是遥感图像的显著特点，同时在遥感图像目标检测实际应用中，通常面临着新场景下新目标的检测任务，要求检测模型对训练过程中未出现过的新类别也具有快速的适应性。

发明内容

一种基于元学习和协同注意力的小样本遥感图像目标检测方法。元学习通过构建训练和测试样本类别不同的小样本学习任务使模型具备新任务适应能力，而协同注意力模块弥补了小样本任务中先验信息不足的问题。因此，本方法既能一定程度上解决遥感图像目标检测中的小样本问题，也能满足遥感图像应用中对于新任务的快速适应性需求。

所述的小样本遥感图像目标检测算法，具体步骤如下：

步骤一、取若干类目标的遥感图像分别划分训练集和测试集；

具体为：对于包含若干个类别目标的遥感图像，取其中X个类别的样本作为训练集，其余类别样本作为测试集。