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技术

本发明专利技术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；本发明专利技术应用于遥感图像小目标检测。本发明专利技术应用于遥感图像小目标检测。本发明专利技术应用于遥感图像小目标检测。

【技术实现步骤摘要】
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


[0001]本专利技术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


技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术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。
[0005]为了解决上述技术问题，本专利技术采用的技术方案为：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：；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。
[0006]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。
[0007]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。
[0008]本专利技术相对于现有技术具备的有益效果为：本专利技术具体提出一种基于加权扩展特征金字塔的小目标检测网络结构，并基于该网络结构对图像中小目标进行检测，该网络结构通过加权双向特征金字塔模块，实现高效的双向跨尺度连接和加权特征融合，使用特征抑制模块在浅层特征层中抑制大目标的显著性，让模型更关注小目标，在高层特征层使用残差特征增强模块减少信息损失，最后使用特征纹理转移模块用于分辨特征，同时获得更可信的区域细节；采用本专利技术改进后的小目标检测算法能够有效提升对图像中小目标检测的准确度，且识别响应快速。
附图说明
[0009]下面结合附图对本专利技术做进一步说明：图1为本专利技术小目标检测方法的步骤流程图；图2为特征抑制模块的网络结构图；图3为加权双向特征金字塔模块的网络结构图；图4为残差特征增强模块的步骤流程图；图5为空间特征权重K生成的步骤流程图。
具体实施方式
[0010]如图1所示，本专利技术具体提供的一种基于深度学习的小目标检测算法，是在双阶和单阶算法基础上加以完善的算法，单阶段算法可以进行端到端检测，无候选区分类，运行速度更快，但是精度略低，而双阶段算法可以将检测问题分为两步走，首先生成候选区域，随后对候选区域分类，由于双阶段算法需要先筛选出一些可能存在的候选区域，然后针对每个候选区域进行目标特征提取，并且精度较高，因此本专利技术使用的检测网络采用双阶段算法。
[0011]本专利技术针对遥感图像中的小型目标进行提取检测，目前由于遥感图像背景复杂且目标尺度分布范围较广，小目标自身可用于区分的特征相对较少，因此相似的背景会对小目标检测产生严重干扰，同时不同图像间由于分辨率不同，可能导致目标类内甚至类间巨大的尺度差异，大大增加了目标检测的难度，单一尺度很难覆盖所有的目标，因此本专利技术采用多尺度目标检测算法应用于遥感图像检测。
[0012]本专利技术为实现小型目标的识别检测，通过建立以下网络模块对图像数据进行分析处理，主要包括：模块1：特征抑制模块：如图2所本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：范军俊，张凯杰，段瑞，辛敏杰，聂静，张飞，赵韬，
申请(专利权)人：山西清众科技股份有限公司，
类型：发明
国别省市：