[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

说明书

本发明提出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，属于遥感图像小目标检测技术领域；所要解决的技术问题为：提供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的改进；解决该技术问题采用的技术方案为：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；针对图像中的小目标特征进行增强操作，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；然后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；本发明应用于遥感图像小目标检测。

技术领域

本发明提出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，属于遥感图像小目标检测技术领域。

背景技术

近些年随着计算机视觉技术的蓬勃发展，图像目标检测成为该领域重点研究方向，针对图像目标进行深度学习的算法不断优化，基于卷积神经网络的目标检测算法也不断发展改进，特别是面向大型中型目标的检测算法，基本上可以满足各种场景下的需求。

而针对小型目标的图像检测在现实生活中也大量存在，且检测情形正在不断增多，例如在遥感图像处理、无人机导航、自动驾驶、医学诊断、人脸识别等应用领域均有小型目标检测需求；然而小型目标由于其本身尺度较小，在图像中所含信息量较少，容易造成目标模糊、细节特征不明显，出现无法识别和识别错误率高等问题，这些因素都制约着小目标检测功能应用的进一步发展；针对图像目标检测的主要目的是在图像中快速精准识别定位出预定义类别的目标，而随着深度学习技术的不断发展，传统检测算法在大、中目标已达到了不错的识别效果，但现有检测算法针对小目标的识别存在较多缺陷，体现在提取特征效率低、识别精准度低、识别速度慢。

发明内容

本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供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的改进。

为了解决上述技术问题，本发明采用的技术方案为：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，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：

；