【技術實現步驟摘要】
本專利技術屬于計算機視覺，涉及基于多尺度特征融合的遙感目標檢測方法、系統以及介質。
技術介紹
1、遙感目標檢測(remote?sensing?object?detection)旨在從遙感圖像中精準識別并定位各類目標物體，在地理測繪、環境監測、軍事偵察以及城市規劃等眾多領域發揮著關鍵作用。遙感圖像能夠提供大面積、宏觀的地表信息，包含了豐富多樣的目標，像建筑物、道路、植被、水體以及各種交通工具等。然而，在實際應用中，由于遙感圖像具有目標尺度變化大、分辨率不一、背景復雜等特點，如何有效地提取和融合多尺度特征成為提升檢測性能的關鍵。這促使相關研究成為該領域的重點。
2、當前，使用深度學習方法從遙感圖像中提取有效特征以實現目標檢測已成為主流，但由于遙感圖像自身特性復雜，如目標尺度變化大、方向不確定以及背景復雜等問題，使得現有的檢測方法往往存在局限性。例如，特征金字塔網絡(feature?pyramid?network，fpn)及其改進模型在處理淺層特征時存在利用率低的情況，且淺層特征向深層傳遞過程中小目標特征易丟失，同時傳統骨干網絡缺乏全局信息依賴關系，導致復雜背景下特征表達能力欠缺。這些因素綜合起來，造成了現有方法在特征提取結構上的不合理性，無法充分獲取遙感圖像中目標的特征信息。
3、綜上所述，現有的許多研究都側重于改進空間域模型，而忽略了頻率域信息的重要性，且淺層特征向深層傳遞過程中小目標特征易丟失，同時缺乏全局信息依賴關系，導致復雜背景下特征表達能力欠缺。
技術實現思路p>
1、為解決上述現有技術問題，第一方面，本專利技術采用基于多尺度特征融合的遙感目標檢測方法，包括：獲取遙感圖像，將遙感圖像輸入訓練好的遙感目標檢測模型，得到檢測結果；遙感目標檢測模型包括：自下而上的特征提取主干網絡、自上而下的特征提取主干網絡、多向特征強化網絡以及目標檢測網絡；遙感目標檢測模型的訓練過程包括：
2、s1：獲取遙感圖像，將遙感圖像輸入自下而上的特征提取主干網絡，得到多層級特征圖；
3、s2：將多層級特征圖輸入多向特征強化網絡，得到多尺度特征圖；
4、s3：將多尺度特征圖輸入自上而下的特征提取主干網絡，得到多尺度融合特征圖；
5、s4：將多尺度融合特征圖輸入目標檢測網絡進行目標檢測，得到檢測結果；
6、s5：根據檢測結果計算損失函數值，根據損失函數值更新模型參數，當損失函數值最小時，得到訓練好的遙感目標檢測模型。
7、自下而上的特征提取主干網絡包括：n層串聯的特征提取層；自下而上的特征提取主干網絡對遙感圖像i進行處理包括：
8、s11、將遙感圖像i輸入第一層特征提取層，將第一層特征提取層的輸出c1輸入第二層特征提取層；
9、s12、將第k-1層特征提取層的輸出ck-1輸入第k層特征提取層；其中，k為自下而上的特征提取主干網絡的特征提取層的索引；
10、s13、重復步驟s12，直到得到最后一層特征提取層的輸出cn。
11、特征提取層包括：卷積模塊、殘差模塊以及全局池化模塊；第一層特征提取層對遙感圖像i進行處理包括：
12、s111：將遙感圖像i輸入卷積模塊，得到特征圖z；
13、s112：對特征圖z進行池化操作，得到特征圖z′；
14、s113：將池化后的特征圖z′輸入殘差模塊，得到特征圖x；
15、s114：將特征圖x輸入全局池化模塊，得到特征圖c1。
16、多向特征強化網絡包括：特征增強模塊和坐標注意力模塊；多向特征強化網絡對層級特征圖進行處理包括：
17、s21：對層級特征圖ck進行卷積，得到通道維度強化的層級特征圖c′k；
18、s22：將通道維度強化的層級特征圖c′k輸入特征增強模塊，得到通道維度強化的特征強化圖fk；
19、s23：將通道維度強化的特征強化圖fk和層級特征圖c′k輸入坐標注意力模塊，得到多尺度特征圖yk。
20、特征增強模塊包括：h-w維度分支、c-w維度分支、c-h維度分支、局部分支以及拼接器；特征增強模塊對通道維度強化的層級特征圖c′k進行處理包括：
21、s221：將層級特征圖c′k沿著通道維度進行拆分，得到拆分后的特征xk,s,s＝[1,4]；s為拆分后的特征的索引；
22、s222：將特征xk,1輸入h-w維度分支，得到h-w維度的層級特征
23、s223：將特征xk,2輸入c-w維度分支，得到c-w維度的層級特征
24、s224：將特征xk,3輸入c-h維度分支，得到c-h維度的層級特征
25、s225：將特征xk,4輸入局部分支，得到局部信息的層級特征
26、s226：將特征輸入拼接器，得到通道維度強化的特征強化圖fk；其中，h為高度，w為寬度，c為通道數。
27、h-w維度分支包括：傅里葉和反傅里葉變換模塊以及空洞卷積金字塔器；h-w維度分支對將多層級特征圖xk,1進行處理包括：
28、s2211：將xk,1輸入傅里葉和反傅里葉變換模塊，得到包含邊界信息的層級特征xk,1′；
29、s2212：將xk,1′輸入空洞卷積金字塔器，得到h-w維度的層級特征
30、空洞卷積金字塔器包括：1×1的卷積模塊、3×3的空洞率為3的卷積模塊、3×3的空洞率為6的卷積模塊、3×3的空洞率為9的卷積模塊；空洞卷積金字塔器對xk,1′進行空洞卷積操作包括：將xk,1′分別輸入1×1的卷積模塊、3×3的空洞率為3的卷積模塊、3×3的空洞率為6的卷積模塊以及3×3的空洞率為9的卷積模塊，將1×1的卷積模塊、3×3的空洞率為3的卷積模塊、3×3的空洞率為6的卷積模塊以及3×3的空洞率為9的卷積模塊的輸出相加，將相加后的結果進行1×1的卷積，得到輸出特征
31、坐標注意力模塊包括h維度分支和w維度分支；坐標注意力模塊對通道維度強化的特征強化圖fk進行處理包括：
32、s231：將特征強化圖fk輸入h維度分支進行h維度編碼，得到編碼特征其中，h為高度，h為特征強化圖fk的高度的索引；
33、s232：將特征強化圖fk輸入w維度分支進行w維度編碼，得到編碼特征其中，w為寬度，w為特征強化圖fk的寬度的索引；
34、s233：對和進行組合得到特征權值zk，對特征權值z進行卷積操作，得到特征權值fk；
35、s234：按通道維度對fk進行拆分，得到特征權值fhk和fwk；
36、s235：對fhk進行通道卷積fh得到通道注意力權值ghk；
37、s236：對fwk進行通道卷積fh得到通道注意力權值gwk；
38、s237：根據通道注意力權值ghk和gwk以及層級特征圖c′k計算多尺度特征圖。
39、第二方面，本專利技術采用一種基于上述多尺度特征融合的遙感目標檢測方法的系統本文檔來自技高網...
【技術保護點】
1.基于多尺度特征融合的遙感目標檢測方法，其特征在于，包括：獲取遙感圖像，將遙感圖像輸入訓練好的遙感目標檢測模型，得到檢測結果；遙感目標檢測模型包括：自下而上的特征提取主干網絡、自上而下的特征提取主干網絡、多向特征強化網絡以及目標檢測網絡；遙感目標檢測模型的訓練過程包括：
2.根據權利要求1所述的基于多尺度特征融合的遙感目標檢測方法，其特征在于，自下而上的特征提取主干網絡包括：n層串聯的特征提取層；自下而上的特征提取主干網絡對遙感圖像I進行處理包括：
3.根據權利要求2所述的基于多尺度特征融合的遙感目標檢測方法，其特征在于，特征提取層包括：卷積模塊、殘差模塊以及全局池化模塊；第一層特征提取層對遙感圖像I進行處理包括：
4.根據權利要求1所述的基于多尺度特征融合的遙感目標檢測方法，其特征在于，多向特征強化網絡包括：特征增強模塊和坐標注意力模塊；多向特征強化網絡對層級特征圖進行處理包括：
5.根據權利要求4所述的基于多尺度特征融合的遙感目標檢測方法，其特征在于，特征增強模塊包括：H-W維度分支、C-W維度分支、C-H維度分支、局部分支以
6.根據權利要求5所述的基于多尺度特征融合的遙感目標檢測方法，其特征在于，H-W維度分支包括：傅里葉和反傅里葉變換模塊以及空洞卷積金字塔器；H-W維度分支對將多層級特征圖xk,1進行處理包括：
7.根據權利要求6所述的基于多尺度特征融合的遙感目標檢測方法，其特征在于，空洞卷積金字塔器包括：1×1的卷積模塊、3×3的空洞率為3的卷積模塊、3×3的空洞率為6的卷積模塊、3×3的空洞率為9的卷積模塊；空洞卷積金字塔器對xk,1′進行空洞卷積操作包括：將xk,1′分別輸入1×1的卷積模塊、3×3的空洞率為3的卷積模塊、3×3的空洞率為6的卷積模塊以及3×3的空洞率為9的卷積模塊，將1×1的卷積模塊、3×3的空洞率為3的卷積模塊、3×3的空洞率為6的卷積模塊以及3×3的空洞率為9的卷積模塊的輸出相加，將相加后的結果進行1×1的卷積，得到輸出特征
8.根據權利要求4所述的基于多尺度特征融合的遙感目標檢測方法，其特征在于，坐標注意力模塊包括H維度分支和W維度分支；坐標注意力模塊對通道維度強化的特征強化圖Fk進行處理包括：
9.基于權利要求1～8所述的基于多尺度特征融合的遙感目標檢測方法的系統，其特征在于，包括：
10.計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序，其中計算機程序被處理器執行時，實現如權利要求1～8中任一項所述的基于多尺度特征融合的遙感目標檢測方法的步驟。
...【技術特征摘要】
1.基于多尺度特征融合的遙感目標檢測方法，其特征在于，包括：獲取遙感圖像，將遙感圖像輸入訓練好的遙感目標檢測模型，得到檢測結果；遙感目標檢測模型包括：自下而上的特征提取主干網絡、自上而下的特征提取主干網絡、多向特征強化網絡以及目標檢測網絡；遙感目標檢測模型的訓練過程包括：
2.根據權利要求1所述的基于多尺度特征融合的遙感目標檢測方法，其特征在于，自下而上的特征提取主干網絡包括：n層串聯的特征提取層；自下而上的特征提取主干網絡對遙感圖像i進行處理包括：
3.根據權利要求2所述的基于多尺度特征融合的遙感目標檢測方法，其特征在于，特征提取層包括：卷積模塊、殘差模塊以及全局池化模塊；第一層特征提取層對遙感圖像i進行處理包括：
4.根據權利要求1所述的基于多尺度特征融合的遙感目標檢測方法，其特征在于，多向特征強化網絡包括：特征增強模塊和坐標注意力模塊；多向特征強化網絡對層級特征圖進行處理包括：
5.根據權利要求4所述的基于多尺度特征融合的遙感目標檢測方法，其特征在于，特征增強模塊包括：h-w維度分支、c-w維度分支、c-h維度分支、局部分支以及拼接器；特征增強模塊對通道維度強化的層級特征圖c′k進行處理包括：
6.根據權利要求5所述的基于多尺度特征融合的遙感目標檢測方法，其特征在于，h-w維度分支...
【專利技術屬性】
技術研發人員：王詩言，郭大川，唐嘉，唐佳佳，楊燦，
申請(專利權)人：重慶郵電大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。