[发明专利]一种基于加权扩展特征金字塔的遥感图像小目标检测方法

权利要求书

1.一种基于加权扩展特征金字塔的遥感图像小目标检测方法，其特征在于：包括如下检测步骤：

步骤一：将遥感图像作为特征图像块进行卷积操作，并分别将特征图输入特征抑制模块、加权双向特征金字塔模块、残差特征增强模块进行处理；

步骤二：针对图像中的小目标特征进行增强操作，采用特征抑制模块对特征图进行处理：

对低层特征图进行层层卷积操作生成相邻特征图，将低层特征图与相邻特征图相减，使低层特征图只留有小目标，进行特征抑制的计算公式为：

；

式中：C2、C1为主干网络生成的C2和C1特征图，w^2x表示双线性插值的2倍上采样，Avg为平均池化，为sigmoid函数，×为逐元素乘法，表示卷积核为1*1卷积层；

经特征抑制模块处理的图像数据输入加权双向特征金字塔模块；

步骤三：针对图像中的小目标特征进行增强操作，采用残差特征增强模块对特征图进行处理：

将空间上下文信息注入到1×1的卷积层中，对C5特征图产生不同比例的上下文特征，生成三个具有上下文的特征后，使用自适应空间融合；

通过自适应空间融合后的Q与三个上下文特征值进行残差连接，得到空间特征权重K，并将得到的空间特征权重K与M5相加，得到没有信息损失的M5；

步骤四：采用加权双向特征金字塔模块对特征图进行处理，通过多模块进行特征融合操作，操作时依次进行自顶向下的特征融合和自底向上的特征融合，采用BiFPN结构进行加权特征融合，采用权值除以所有权值加和来进行归一化，同时将权值归一化到[0,1]之间，实现快速归一化融合；

步骤五：采用特征纹理转移模块对特征图进行处理，分辨特征获取更可信的区域细节：

通过设置FTT模块对特征进行超分辨率的同时从参考特征中提取区域纹理，控制FTT模块将E3作为主要输入层，E2作为参考特征层，定义输出E1层的公式为：

；

式中：表示纹理特征提取组件，表示为内容特征抽取组件，向上采样两倍采用的是亚像素卷积，||表示特征串联，两个组件都是由残块组成；

步骤六：将经过特征纹理转移模块处理后的特征图，经过检测器输出目标检测图像，将小目标进行标记显示。

2.根据权利要求1所述的一种基于加权扩展特征金字塔的遥感图像小目标检测方法，其特征在于：所述步骤三中采用残差特征增强模块对特征图进行处理的具体过程为：

步骤3.1：对C5特征图产生不同比例的上下文特征，，计算公式为：

；

式中：C5表示由主干网络生成的C5特征图，Adaptivepool表示自适应池化，表示自适应池化比例，表示最邻近插值上采样；

步骤3.2：对C5特征图进行自适应池化，池化后的特征图经过一个卷积层，将通道进行降维，最后对其上采样得到C5特征图一样的宽高，依次生成上下文特征F1-F3；

步骤3.3：生成三个具有上下文特征的后，采用自适应空间融合：

自适应空间融合后的Q与三个上下文特征值进行残差连接，得到空间特征权重K，融合空间特征Q与空间特征权重K的计算公式分别为：

；

；

式中：为sigmoid函数，分别表示卷积核为3*3、1*1卷积层，concat表示拼接，×为逐元素乘法。

3.根据权利要求2所述的一种基于加权扩展特征金字塔的遥感图像小目标检测方法，其特征在于：所述空间特征权重K具体的生成步骤为：

通过concat将得到的上下文特征进行通道的拼接，输出的通道数变为原通道数的三倍，特征图的尺寸不变；

经过卷积核为1×1与3×3的卷积层，将维度降至为3，最后经过sigmoid函数，得到融合后的特征Q；

将特征Q与上下文特征进行残差连接得到C5的空间特征权重，将特征Q扩展维度至特征Q`，随后特征Q`与上下文特征相乘后累加得到空间特征权重K，将得到的空间特征权重K与M5相加，得到没有信息损失的M5。