一种遥感图像的小目标精确快速识别系统技术方案

本发明专利技术是一种遥感图像的小目标精确快速识别系统，属于图像处理领域。该系统步骤主要包括：S1.首先对遥感图像数据集进行预处理；S2.选择基于anchor

【技术实现步骤摘要】
一种遥感图像的小目标精确快速识别系统


[0001]本专利技术涉及深度学习和计算机视觉
，是一种小目标精确快速识别的系统，尤其是一种遥感图像的小目标精确快速识别系统。

技术介绍

[0002]由于卫星成像技术的高速发展，遥感图像空间分辨率已达至亚米级，并且覆盖区域广阔，能够为诸如军事国防和智能交通等场景任务提供丰富的数据信息。遥感图像以其高分辨率优势，具备提前防范这些地质灾害和潜在危险的潜力。为此发展出了许多旋转目标检测算法，但这些算法计算复杂且速度较慢，极少涉及细粒度目标，使得遥感图像利用率很低。研究一种遥感图像的小目标精确快速识别系统，以便智能高效地解译遥感图像，优势格外突出。
[0003]从高分辨率场景中准确地识别出可能导致交通事故的物体对于无人驾驶的安全非常重要。在海上监视领域，精确的识别出卫星遥感图像中的微小目标可以帮助政府机构遏制毒品和人口贩卖，杜绝非法渔船捕捞等。在军事战争的许多环节，高分辨率遥感图像目标检测和识别都能发挥出巨大的优势，如预警探测、军事制导、战场侦察等方面。因此精细识别不仅能精准定位这些目标的具体位置，还能准确识别出它们的具体型号，使得遥感图像能在军事和民用领域发挥巨大的价值。

技术实现思路

[0004]本专利技术的目的是，提供一种遥感图像的小目标精确快速识别系统，来解决旋转目标检测算法因角度回归方法导致的分类和回归不一致、目标尺度变化范围广和类别数量不均衡导致的目标检测效果不佳的问题以及大量计算和小目标检测难题，此系统能够有效缓解回归和分类不一致，提升模型对小目标的检测能力，并且定位精度更高。
[0005]为实现上述目的，本专利技术提供了一种遥感图像的小目标精确快速识别系统。
[0006]其包括如下步骤：
[0007]步骤S1：对遥感图像数据集进行预处理；
[0008]步骤S2：结合环形平滑标签方法来捕捉遥感图像目标的任意方向；
[0009]步骤S3：添加自注意力机制增大模型的感受野以增强网络对细粒度目标特征的学习能力；
[0010]步骤S4：采用激活函数Acon来优化设计的精细识别网络。
[0011]所述步骤S1具体以下步骤：
[0012]S1.1：将FAIR1M遥感图像目标检测数据集中图片的标签xml格式转换成txt格式；
[0013]S1.2：将FAIR1M遥感图像目标检测数据集中图片切割成图像分辨率为1024
×
1024的大小，图像切割时重叠间隙设置为切割图像尺寸的20％；
[0014]S1.3：计算图像分割后的标签在小图中的相对坐标；
[0015]S1.4：最后根据分割好的带标签图片生成JSON文件。
[0016]所述步骤S2具体以下步骤：
[0017]S2.1：将目标角度划分为一个唯一的类别，角度类别的数量取决于所有目标的最大角度范围。然而，从回归到分类的转换可能会导致一些准确性的损失，以90度范围的五参数定义法为例，其最大损失和平均损失(服从正态分布)计算公式如下：
[0018]Max(loss)＝γ/2(1)
[0019][0020]其中：γ表示整个角度的划分间隔，以每度一类计算，则精度的最大损失和平均损失分别为0.5和0.25；
[0021]S2.2：环形平滑标签具体表达式如下：
[0022][0023]其中：f(x)是窗口函数，窗口半径由γ控制，该函数包括四个主要性质：周期性、对称性、最大值和单调性；
[0024]S2.3：在Yolov5算法网络中加入一个角度分类损失函数，使其可以检测遥感图像中任意方向的物体；
[0025]S2.4：为了能够训练模型，使用OpenCV中的最小外接矩形方法将数据标签转换为Yolov5训练所需的标签格式，并额外为每个目标生成180度范围的角度。
[0026]所述步骤S3具体以下步骤：
[0027]S3.1：集合了CNN和self
‑
attention各自的优势，利用卷积进行空间下采样；
[0028]S3.2：将自注意力聚焦在较低的分辨率上，可以高效地处理大图像；
[0029]S3.3：由于数据集图像具有较大分辨率，为了降低加入自注意力模块后网络的复杂度，这里只选择在最低分辨率的特征图上使用自注意力，以便设计出高性能精细检测器，可以减少内存占用并取得较好的结果。
[0030]所述步骤S4具体以下步骤：
[0031]S4.1：使用Acon替换原始Yolov5的主干和颈部之间的激活函数。Yolov5使用的激活函数是ReLU，它本质上是一个Max函数，公式如下：
[0032]ReLU(x)＝max(0,x)(4)
[0033]Max函数的平滑形式，可微分变体称之为Smooth Maximum，其公式如下：
[0034][0035]其中：β是一个平滑因子，当其趋近无穷大时，smooth maximum成为标准的max函数，而当β为0时，其变为一个算术平均操作；
[0036]S4.2：将平滑形式的ReLU函数即S
β
(0,x)代入公式得到S
β
(0,x)＝x*σ(β*x)，σ为sigmoid函数，其结果则是Swish激活函数。由此可见，Swish激活函数仅是ReLU激活函数的一种平滑近视，上述的平滑形式还可以推广到其他激活函数中，例如Leaky
‑
ReLU的变形体形式为：
[0037]Acon
‑
b(x)＝S
β
(x,px)＝(1
‑
p)xσ(β(1
‑
p)x)+px(6)
[0038]因为Acon
‑
c是应用最广泛的形式，其表达式为：
[0039]Acon
‑
c(x)＝S
β
(p1x,p2x)＝(p1
‑
p2)xσ[β(p1
‑
p2)x]+p2*x(7)
[0040]S4.3：通过Mosaic数据扩增来增加小样本类别的数量，解决部分类别数据在样本大小和真实世界的复杂性方面难以支持基于深度学习的方法的问题，Mosaic增强在训练时直接计算九张图像的数据，使用单个GPU就可达到更好的性能，很好地解决了GPU资源的限制。
[0041]本专利技术具有如下有益效果：
[0042]本专利技术设计的系统成功地将Yolov5应用到高分辨率遥感图像空间目标识别任务，并且检测精度在这个领域也有一定的竞争力。这种简单有效的方法使得Yolov5不仅适用于自然图像，也同样适用于遥感图像，极大地扩展了应用范围。该网络非常简单，并且几乎不增加模型的参数量，在FAIR1M测试集上实现了37.8％的mAP，比原始Yolov5网络精度提高8.9％。这种简单的改进可以应用于许多先进的水平框检测算法，以良好的准确性扩展其应用范围。大量实验表明，该算法网络能够有效缓解分类和回归不一致，并且对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遥感图像的小目标精确快速识别系统，具体按照以下步骤实施：步骤S1：对遥感图像数据集进行预处理；步骤S2：结合环形平滑标签方法来捕捉遥感图像目标的任意方向；步骤S3：添加自注意力机制增大模型的感受野以增强网络对细粒度目标特征的学习能力；步骤S4：采用激活函数Acon来优化设计的精细识别网络。2.根据权利要求1所述的一种遥感图像的小目标精确快速识别系统，所述步骤1具体包括以下步骤：S1.1：将FAIR1M遥感图像目标检测数据集中图片的标签xml格式转换成txt格式；S1.2：将FAIR1M遥感图像目标检测数据集中图片切割成图像分辨率为1024
×
1024的大小，图像切割时重叠间隙设置为切割图像尺寸的20％；S1.3：计算图像分割后的标签在小图中的相对坐标；S1.4：最后根据分割好的带标签图片生成JSON文件。3.根据权利要求1所述的一种遥感图像的小目标精确快速识别系统，所述步骤2具体包括以下步骤：S2.1：将目标角度划分为一个唯一的类别，角度类别的数量取决于所有目标的最大角度范围，然而，从回归到分类的转换可能会导致一些准确性的损失，以90度范围的五参数定义法为例，其最大损失和平均损失(服从正态分布)计算公式如下：Max(loss)＝γ/2 (1)其中：γ表示整个角度的划分间隔，以每度一类计算，则精度的最大损失和平均损失分别为0.5和0.25；S2.2：环形平滑标签具体表达式如下：其中：f(x)是窗口函数，窗口半径由γ控制，该函数包括四个主要性质：周期性、对称性、最大值和单调性；S2.3：在Yolov5算法网络中加入一个角度分类损失函数，使其可以检测遥感图像中任意方向的物体；S2.4：为了能够训练模型，使用OpenCV中的最小外接矩形方法将数据标签转换为Yolov5训练所需的标签格式，并额外为每个目标生成180度范围的角度。4.根据权利要求1所述的一种遥感图像的小目标精确快速识别系统，所述步骤3具体包括以下步骤：S3.1：集合了CNN和self
‑
attention各自的优势，利用卷积进行空间下采样；S3.2：将自注意力聚焦在较低的分辨率上，可以高...

【专利技术属性】
技术研发人员：邓立为，刘闪闪，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：