[发明专利]多方向遥感目标检测方法、装置及计算机设备

权利要求书

1.一种多方向遥感目标检测方法，其特征在于，所述方法包括：

获取目标的遥感图像，并对所述遥感图像进行预处理得到训练样本；

构建遥感多方向目标检测网络；所述遥感多方向目标检测网络是在Centernet网络的基础上改进得到的，改进点包括：在骨干网络最后一层后边添加卷积注意力模块提取显著性的通道与空间位置特征；添加与检测头并行的语义分割分支，并将所述语义分割分支的特征与输入检测头的特征进行融合，并将融合特征输入到所述检测头中；所述检测头是在原检测头中添加用于准确预测目标的旋转角度的角度预测分支形成的新检测头；

根据所述训练样本对所述遥感多方向目标检测网络进行训练，得到训练好的遥感多方向目标检测模型；

获取待测目标遥感图像，并对所述待测目标遥感图像进行预处理，将预处理结果输入到所述遥感多方向目标检测模型中，得到遥感目标检测结果；

其中，所述遥感多方向目标检测网络包括骨干网络、卷积注意力模块、语义分割分支以及新检测头；

根据所述训练样本对所述遥感多方向目标检测网络进行训练，得到训练好的遥感多方向目标检测模型，包括：

将所述训练样本输入到所述骨干网络中，将骨干网络最后一层输出的特征图输入到所述卷积注意力模块中，得到通道与空间位置特征；

将得到的骨干网络各个阶段不同尺度的特征图与所述通道与空间位置特征输入到所述语义分割分支中，得到语义分割特征；

将所述通道与空间位置特征和所述语义分割特征输入到所述新检测头中，得到预测检测结果；根据所述预测检测结果和所述训练样本进行反向训练，得到遥感多方向目标检测模型。

2.根据权利要求1所述的方法，其特征在于，所述卷积注意力模块包括通道注意力模块和空间注意力模块；

将所述训练样本输入到所述骨干网络中，将骨干网络最后一层输出的特征图输入到所述卷积注意力模块中，得到通道与空间位置特征，包括：

将所述训练样本输入到所述骨干网络中，将骨干网络最后一层输出的特征图输入到所述通道注意力模块，得到通道注意力特征；

将所述通道注意力特征与所述骨干网络最后一层输出的特征图进行融合后，得到融合通道注意力特征；

将所述融合通道注意力特征输入到所述空间注意力模块中，得到空间注意力特征；

将所述空间注意力特征与所述融合通道注意力特征进行融合，得到通道与空间位置特征。

3.根据权利要求2所述的方法，其特征在于，所述通道注意力模块包括共享全连接网络、最大值池化层以及平均值池化层；

将所述训练样本输入到所述骨干网络中，将骨干网络最后一层输出的特征图输入到所述通道注意力模块，得到通道注意力特征，包括：

将所述训练样本输入到所述骨干网络中，将骨干网络最后一层输出的特征图分别输入到所述通道注意力模块的最大值池化层和所述通道注意力模块的平均值池化层，得到最大值池化特征和平均值池化特征；

将所述最大值池化特征和所述平均值池化特征分别输入到所述共享全连接网络中，并将得到的特征相加后进行激活，得到通道注意力特征。

4.根据权利要求2所述的方法，其特征在于，所述空间注意力模块包括共享参数的卷积层、最大值池化层以及平均值池化层；

将所述融合通道注意力特征输入到所述空间注意力模块中，得到空间注意力特征，包括：

将所述融合通道注意力特征分别输入到所述空间注意力模块的最大值池化层和所述空间注意力模块的平均值池化层，得到最大池化矩阵和均值池化矩阵；

将所述最大池化矩阵和所述均值池化矩阵沿通道串联，并将串联后的特征输入到所述共享参数的卷积层，得到空间注意力特征。

5.根据权利要求1所述的方法，其特征在于，所述语义分割分支包括全卷积网络；

将得到的骨干网络各个阶段不同尺度的特征图与所述通道与空间位置特征输入到所述语义分割分支中，得到语义分割特征，包括：

将通道与空间位置特征进行多次上采样输入到全卷积网络中，将全卷积网络各个阶段不同特征尺寸的特征图与骨干网络各个阶段不同尺度的特征图按元素相加融合作为全卷积网络中下一卷积层的输入，直到全卷积网络的最后一层，得到语义分割特征。