[发明专利]基于多尺度特征融合的遥感图像显著目标检测方法及装置

说明书

本发明提供了基于多尺度特征融合的遥感图像显著目标检测方法、装置及系统，包括：对数据集中的图像进行预处理，获得所需训练数据；构建U‑net卷积神经网络模型：所述U‑net结构采用编码‑解码模式，且编码和解码之间添加3个3*3的卷积层作为桥接；编码部分与解码部分为对称结构；其中，编码部分由一个输入卷积层和六个卷积块组成，前四个卷积块采用ResNet34；利用获得的训练数据，对构建的U‑net卷积神经网络模型进行训练；将训练好的U‑net卷积神经网络模型用于遥感图像显著目标检测。本发明改进了U‑net的桥接环节，增添了多尺度融合方式，并使用多损失函数融合的模式对U‑net解码部分的各个边缘输出进行约束，同时对各个边缘输出进行融合，使得遥感目标的检测取得了显著提升。

技术领域

本发明书一个或多个实施例涉及遥感图像目标检测技术领域，尤其涉及一种基于多尺度特征融合的遥感图像显著目标检测方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述可包括可以探究的概念，但不一定是之前已经想到或者已经探究的概念。因此，除非在此指出，否则在本部分中描述的内容对于本申请的说明书和权利要求书而言不是现有技术，并且并不因为包括在本部分中就承认是现有技术。

遥感图像通过航空摄影、航空扫描、微波雷达等手段，以飞机、轮船等交通工具，以及公路、河流、运动场馆等目标物体为主要分割对象，目标在图像中往往较小且复杂。遥感图像的显著目标检测在自然保护、雷达检测等邻域有巨大作用。

图1是常见的基于U-net网络的分割模型。如图1所示，U-net是比较早的使用全卷积网络(即网络中没有全连接操作)进行语义分割的算法之一，其输入的是一张572X572的边缘经过镜像操作的图片(input image tile)，网络的左侧是由卷积和Max Pooling构成的一系列降采样操作，称之为压缩路径(contracting path)。压缩路径由4个block组成，每个block使用了3个有效卷积和1个Max Pooling降采样，每次降采样之后Feature Map的个数乘2，因此，有了图中所示的Feature Map尺寸变化。最终得到了尺寸为32X32的FeatureMap。

网络的右侧部分，称之为做扩展路径(expansive path)。同样由4个block组成，每个block开始之前通过反卷积将Feature Map的尺寸乘2，同时将其个数减半(最后一层略有不同)，然后和左侧对称的压缩路径的Feature Map合并，由于左侧压缩路径和右侧扩展路径的Feature Map的尺寸不一样，U-Net是通过将压缩路径的Feature Map裁剪到和扩展路径相同尺寸的Feature Map进行归一化的(即图1中左侧部分)。扩展路径的卷积操作依旧使用的是有效卷积操作，最终得到的Feature Map的尺寸是388X388。由于该任务是一个二分类任务，所以网络有两个输出Feature Map。

但该方法存在如下问题：

遥感图片具有目标小、待检测物体相似度高、待检测物体数量多等挑战。传统的基于编码解码结构的网络很难学习到遥感图像的小物体特征、难以抑制噪声干扰，同时也容易产生错误分割，将非遥感目标分割出来。通过分析传统的U-net型模型，中我们发现简单的跳线连接并不能让浅层信息与深层信息进行交互，取得的结果较差且计算开销较大。同时在解码部分，U-net型模型缺少进一步的优化环节，得到的分割结果含有较多噪声，不利于基于遥感图像分割的相关应用工作的开展。此外，传统的交叉熵损失函数虽然计算量较小，但是对于边缘细节的处理较差，不适用于遥感图像。

有鉴于此，亟需对U-net网络的分割模型进行优化改进，以适用于需求基于遥感图像分割的相关应用工作的开展。

发明内容

本说明书一个或多个实施例描述了一种基于多尺度特征融合的遥感图像显著目标检测方法、装置及系统，解决了现有技术中存在的问题，并使得遥感目标的检测取得了显著提升。