基于深度学习的遥感图像飞机检测模型及方法技术

本发明专利技术提供一种基于深度学习的遥感图像飞机检测模型及方法。该模型包括：下采样单元、上采样单元、特征融合单元和检测单元；所述下采样单元的输出和所述上采样单元的输出作为所述特征融合单元的输入，所述特征融合单元的输出作为检测单元的输入；所述下采样单元包括依次相连接的CBL模块、ResUnit*1卷积块、ResUnit*2卷积块、第一ResUnit*8卷积块、第二ResUnit*8卷积块、ResUnit*4卷积块和CBL*5模块；其中，ResUnit*1卷积块、ResUnit*2卷积块、第一ResUnit*8卷积块、第二ResUnit*8卷积块、ResUnit*4卷积块分别对应5次下采样操作，每次下采样操作均使得输入的遥感图像的大小缩小为原来的1/2。本发明专利技术可以提高目标物体的检测率。

【技术实现步骤摘要】
基于深度学习的遥感图像飞机检测模型及方法
本专利技术涉及遥感图像目标检测
，尤其涉及一种基于深度学习的遥感图像飞机检测模型及方法。
技术介绍
飞机作为民用生活和军事活动不可或缺的重要物体之一，在航空领域中发挥着重要的作用，因此对飞机的目标检测具有相当大的指导意义。另一方面，遥感图像目标检测的难度与物体所处的背景环境有着很大的关联，处于广阔机场范围领域内的飞机，以机场为背景，检测目标与背景之间存在严重的差异性，会造成背景和检测目标之间的平衡性失调，此外由于飞机的尺寸普遍偏小，给飞机目标检测增加了很大的难度。传统的目标检测方法（如ViolaP,JonesM.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures[C]//Proceedingsofthe2001IEEEcomputersocietyconferenceoncomputervisionandpatternrecognition.CVPR2001.IEEE,2001,1:I-I；ViolaP,JonesMJ.Robustreal-timefacedetection[J].Internationaljournalofcomputervision,2004,57(2):137-154.）通过手动设计的特征，对图像进行特征的提取，然后将提取出来的特征输入到网络模型中，通过滑动窗口的机制进行候选框的选取，最后再将选取的候选框通过分类器进行类别的分类。然而，这种手动提取的特征往往不具备鲁棒性，难以适当地描述图像的特征，并且滑动窗口的提取策略相当复杂和耗时。
技术实现思路
针对传统目标检测方法存在手动提取特征困难并且提取出来的特征鲁棒性不强的问题，本专利技术提供一种基于深度学习的遥感图像飞机检测模型及方法，实验证明，本专利技术在遥感图像飞机检测中Precision、Recall、F1-score以及Map等各项性能指标均有所提高。一方面，本专利技术提供一种基于深度学习的遥感图像飞机检测模型，包括下采样单元、上采样单元、特征融合单元和检测单元；所述下采样单元的输出和所述上采样单元的输出作为所述特征融合单元的输入，所述特征融合单元的输出作为检测单元的输入；其中：所述下采样单元包括依次相连接的CBL模块、ResUnit*1卷积块、ResUnit*2卷积块、第一ResUnit*8卷积块、第二ResUnit*8卷积块、ResUnit*4卷积块和CBL*5模块；其中，ResUnit*1卷积块、ResUnit*2卷积块、第一ResUnit*8卷积块、第二ResUnit*8卷积块、ResUnit*4卷积块分别对应5次下采样操作，每次下采样操作均使得输入的遥感图像的大小缩小为原来的1/2；所述上采样单元包括3层结构相同的上采样模块；每层所述上采样模块均包括依次连接的CBL模块和UpSample模块；所述特征融合单元包括3层结构相同的融合模块，每层所述融合模块均包括依次连接的Concat模块和CBL*5模块；所述检测单元包括4层结构相同的检测分支网络；每个所述检测分支网络均包括依次相连接的CBL*5模块、CBL模块和Conv模块；其中，ResUnit*N卷积块包括1个CBL模块和N个子卷积块；每个所述子卷积块均包括依次相连接的2个CBL模块和1个ADD模块；所述ResUnit*N卷积块中的CBL模块分别和每个所述子卷积块中的第一个CBL模块与ADD模块相连接；N个子卷积块之间并行连接；N=1、2、4和8；所述CBL模块包括依次相连接的Conv层、BN层和LeakyRelu函数。进一步地，将所述下采样单元中的CBL*5模块替换为依次相连接的CBL*3模块、DAWM模块和CBL*3模块；所述DAWM模块包括相互并行连接的第一分支网络、第二分支网络、第三分支网络和第四分支网络；所述第一分支网络、第二分支网络、第三分支网络和第四分支网络的输出结果共同再经过一个1*1的卷积核后与上一层网络的输出结果相加作为FileConcatenation的输入；其中：所述第一分支网络包括1个1*1的卷积核；所述第二分支网络包括依次相连接的1个1*1的卷积核和1个3*3的卷积核；所述第三分支网络包括依次相连接的1个1*1的卷积核和2个3*3的卷积核；所述第四分支网络包括依次相连接的1个1*1的卷积核和3个3*3的卷积核。另一方面，本专利技术提供一种基于深度学习的遥感图像飞机检测方法，采用上述的遥感图像飞机检测模型，所述方法包括：将待测遥感图像输入至遥感图像飞机检测模型；所述下采样单元对所述待测遥感图像连续进行5次下采样操作，并将第五次下采样操作的输出结果作为所述检测单元中的第一层检测分支网络的输入；所述上采样单元中的第一层上采样模块对第五次下采样操作的输出结果进行第一次上采样操作；所述特征融合单元中的第一层融合模块对第一次上采样操作的输出结果和第四次下采样操作的输出结果进行特征融合，将第一层融合模块的输出结果分别作为所述上采样单元中的第二层上采样模块的输入和所述检测单元中的第二层检测分支网络的输入；所述上采样单元中的第二层上采样模块对第一层融合模块的输出结果进行第二次上采样操作；所述特征融合单元中的第二层融合模块对第二次上采样操作的输出结果和第三次下采样操作的输出结果进行特征融合，将第二层融合模块的输出结果分别作为所述上采样单元中的第三层上采样模块的输入和所述检测单元中的第三层检测分支网络的输入；所述上采样单元中的第三层上采样模块对第二层融合模块的输出结果进行第三次上采样操作；所述特征融合单元中的第三层融合模块对第三次上采样操作的输出结果和第二次下采样操作的输出结果进行特征融合，将第三层融合模块的输出结果作为所述检测单元中的第四层检测分支网络的输入。本专利技术的有益效果：（1）本专利技术引进了多尺度检测模型MSDN，通过将图片划分成不同大小的检测网格，增大目标物体掉落在负责检测的网格的位置，从而提高目标物体的检测率。（2）本专利技术提出了新的网络模块DAWM，通过不同卷积核尺度的堆叠，在加深网络宽度和深度的同时，增强了网络对不同尺度的输出能力，同时引入残差结构，使得网络不会由于过深而导致梯度消失。（3）本专利技术将DAWM模块引入到MSDN网络模型中，经过DAWM模块泛化过的特征能够更好地提高网络的非线性化能力，在通过MSDN网络模型的特征融合，可以将泛化的特征进行传递并进行特征融合，从而可以提高不同检测尺度的检测效果。附图说明图1为本专利技术实施例提供的基于深度学习的遥感图像飞机检测模型的结构图；图2为本专利技术又一实施例提供的基于深度学习的遥感图像飞机检测模型的结构图；图3为本专利技术实施例提供的DAWM模块的结构图；图4为本专利技术实施例提供的算法性能指标对比图；图5为本专利技术实施例提供的实验数据对比图。具体实施方式为使本专利技术的目本文档来自技高网...

【技术保护点】
1.基于深度学习的遥感图像飞机检测模型，其特征在于，包括下采样单元、上采样单元、特征融合单元和检测单元；所述下采样单元的输出和所述上采样单元的输出作为所述特征融合单元的输入，所述特征融合单元的输出作为检测单元的输入；其中：/n所述下采样单元包括依次相连接的CBL模块、ResUnit*1卷积块、ResUnit*2卷积块、第一ResUnit*8卷积块、第二ResUnit*8卷积块、ResUnit*4卷积块和CBL*5模块；其中，ResUnit*1卷积块、ResUnit*2卷积块、第一ResUnit*8卷积块、第二ResUnit*8卷积块、ResUnit*4卷积块分别对应5次下采样操作，每次下采样操作均使得输入的遥感图像的大小缩小为原来的1/2；/n所述上采样单元包括3层结构相同的上采样模块；每层所述上采样模块均包括依次连接的CBL模块和UpSample模块；/n所述特征融合单元包括3层结构相同的融合模块，每层所述融合模块均包括依次连接的Concat模块和CBL*5模块；/n所述检测单元包括4层结构相同的检测分支网络；每个所述检测分支网络均包括依次相连接的CBL*5模块、CBL模块和Conv模块；/n其中，ResUnit*N卷积块包括1个CBL模块和N个子卷积块；每个所述子卷积块均包括依次相连接的2个CBL模块和1个ADD模块；所述ResUnit*N卷积块中的CBL模块分别和每个所述子卷积块中的第一个CBL模块与ADD模块相连接；N个子卷积块之间并行连接；N=1、2、4和8；/n所述CBL模块包括依次相连接的Conv层、BN层和Leaky Relu函数。/n...

【技术特征摘要】
1.基于深度学习的遥感图像飞机检测模型，其特征在于，包括下采样单元、上采样单元、特征融合单元和检测单元；所述下采样单元的输出和所述上采样单元的输出作为所述特征融合单元的输入，所述特征融合单元的输出作为检测单元的输入；其中：
所述下采样单元包括依次相连接的CBL模块、ResUnit*1卷积块、ResUnit*2卷积块、第一ResUnit*8卷积块、第二ResUnit*8卷积块、ResUnit*4卷积块和CBL*5模块；其中，ResUnit*1卷积块、ResUnit*2卷积块、第一ResUnit*8卷积块、第二ResUnit*8卷积块、ResUnit*4卷积块分别对应5次下采样操作，每次下采样操作均使得输入的遥感图像的大小缩小为原来的1/2；
所述上采样单元包括3层结构相同的上采样模块；每层所述上采样模块均包括依次连接的CBL模块和UpSample模块；
所述特征融合单元包括3层结构相同的融合模块，每层所述融合模块均包括依次连接的Concat模块和CBL*5模块；
所述检测单元包括4层结构相同的检测分支网络；每个所述检测分支网络均包括依次相连接的CBL*5模块、CBL模块和Conv模块；
其中，ResUnit*N卷积块包括1个CBL模块和N个子卷积块；每个所述子卷积块均包括依次相连接的2个CBL模块和1个ADD模块；所述ResUnit*N卷积块中的CBL模块分别和每个所述子卷积块中的第一个CBL模块与ADD模块相连接；N个子卷积块之间并行连接；N=1、2、4和8；
所述CBL模块包括依次相连接的Conv层、BN层和LeakyRelu函数。


2.根据权利要求1所述的遥感图像飞机检测模型，其特征在于，将所述下采样单元中的CBL*5模块替换为依次相连接的CBL*3模块、DAWM模块和CBL*3模块；所述DAWM模块包括相互并行连接的第一分支网络、第二分支网络、第三分支网络和第四分支网络；所述第一分支网络、第二...

【专利技术属性】
技术研发人员：周黎鸣，闫好鑫，郑昌，王雅娣，臧文乾，屠要峰，左宪禹，
申请(专利权)人：河南大学，
类型：发明
国别省市：河南;41