一种基于特征增强的遥感图像识别方法技术

本发明专利技术公开了一种基于特征增强的遥感图像识别方法，属于遥感图像识别领域。本发明专利技术设计了一个元特征提取器，用于从输入图像中提取特征表示；同时设计了一个特征重新加权模块，用于学习支撑集的每个特征表示，并自适应地分配权重；最后通过边界框预测模块在重新加权的特征图上执行目标检测。本方法包括两个阶段：训练阶段和检测阶段。在训练阶段，模型学习基类数据用于目标检测的元知识。在检测阶段，使用新类的样本进行模型微调。本发明专利技术在图像的特征提取过程中，通过更好地使神经网络获取深层语义特征和浅层细节特征，有效提升特征表示能力，并通过重加权模块充分利用样本的数据信息，可以更好适应小样本场景。可以更好适应小样本场景。可以更好适应小样本场景。

【技术实现步骤摘要】
一种基于特征增强的遥感图像识别方法


[0001]本专利技术涉及遥感图像识别领域，尤其涉及一种基于特征增强的遥感图像识别方法。

技术介绍

[0002]遥感图像识别通过自动化方法从遥感影像场景中获取感兴趣目标的类别及位置信息，是城市规划、土地利用、港口监测等诸多应用领域的重要基础。一系列基于人工智能的图像识别技术方法的研究，催化了遥感技术在各个领域的智能化应用，实现海量数据快速、智能、自动化的处理，图像识别技术也因此受到广大研究者的关注和重视。
[0003]传统的针对遥感图像的目标检测方法存在一定的局限性。随着深度学习的不断发展，越来越多的学者开始深入研究深度学习并将其应用到各个领域，深度学习也成为专家学者在研究和探索目标检测领域使用的强有力的工具。很多学者已经把深度学习应用到遥感图像目标检测领域，和传统方法相比，检测效果有一定程度的提升。
[0004]虽然深度学习在自然图像目标检测上应用广泛，但是使用深度学习对遥感图像进行目标检测还处在发展阶段。现阶段的基于深度学习的遥感图像目标检测方法按照问题类别主要分为四类：
[0005](1)目标尺度多样性：遥感影像拍摄高度的范围很广，因而可以捕获到不同分辨率的影像数据，致使同一目标呈现出大小不一的尺度；目标类别间也存在尺度差异大的问题，如操场、车辆等类别，这些目标本身存在尺度差异；
[0006](2)目标分布密集：遥感影像的一些场景中车辆、飞机、油罐等类别呈现出密集分布的特点，并且目标的像素较低，很多目标难以准确检测，导致漏检问题非常严重；/>[0007](3)遥感影像背景复杂：遥感影像拍摄的视野通常比较大，影像中包含各种各样的背景，这会在目标检测过程中引入背景噪声，对检测结果产生比较强的干扰，影响目标的检测与识别；
[0008](4)小样本特性问题：现有的目标检测方法基本都依赖于大量的标注数据，然而标注足够多的样本数据耗费巨大，并且在一些应用场景中难以获得大量的原始数据，仅有少量的标注数据可供使用，这为目标检测任务带来新的挑战。

技术实现思路

[0009]为克服以上问题，本专利技术提出了一种基于特征增强的遥感图像识别方法。该方法针对目标尺度多样性、密集分布以及小样本特性等挑战性问题，在相关理论的基础上，设计了基于特征金字塔和特征重加权的模板识别模型，可实现对遥感影像目标的精准识别。
[0010]本专利技术采用的技术方案为：
[0011]一种基于特征增强的遥感图像识别方法，其特征在于，包括以下步骤：
[0012]步骤1、收集样本数据，形成图像识别标准格式数据集；
[0013]步骤2、对步骤1得到的样本数据进行预处理，并分成训练集和测试集；
[0014]步骤3、利用步骤2的得到的训练集，对图像识别模型进行训练，得到权重参数文件；
[0015]步骤4、利用步骤3的生成的权重参数文件，对测试集图像进行识别，生成目标类别和检测框。
[0016]进一步地，步骤1包括以下子步骤：
[0017]步骤1.1、收集遥感图像，图像中含有特定目标；
[0018]步骤1.2、使用标注工具对图像中的模板进行边界框和类别标注，得到图像识别标准格式数据集，作为初始数据集。
[0019]进一步地，步骤2包括以下子步骤：
[0020]步骤2.1、对初始数据集进行处理；
[0021]步骤2.2、将处理后的数据集进行标准化，按照统一的尺寸进行放大或缩小，同时，目标标注信息也等比例放大或缩小；
[0022]步骤2.3、将标准化的图像按照8:2比例形成训练集和测试集。
[0023]进一步地，在步骤2.1中，初始数据集的处理方法包括图像增强和添加噪声。
[0024]进一步地，步骤3包括以下子步骤：
[0025]步骤3.1、将训练集图像输入图像识别模型，经过元特征提取器网络进行特征提取，获得特征图；
[0026]步骤3.2、设计一个特征重加权模块，用于学习支撑集图像中提取元知识，通过支撑集样本激活特定某个类的系数来对步骤3.1获取的特征图进行重加权；
[0027]步骤3.3、对经步骤3.2重加权后的特征图，进行边界框预测和目标分类结果，设计损失函数，利用标注信息对模型参数进行训练，最终得到权重模型。
[0028]进一步地，在步骤3.1中，将Darknet53网络构建为特征金字塔结构，其中，自下而上的路径为前向传播过程，自上而下的路径为上采样过程；对于每个输入图像，在进行特征提取后，元特征提取器网络以三种不同的比例生成元特征。
[0029]进一步地，步骤3.2包括以下子步骤：
[0030]步骤3.2.1、设计一个轻量化CNN，将每一个支撑集的图像映射成一组重加权向量，这些权重向量将用于调整元特征的贡献，并突出对新对象检测有重要意义的元特征；
[0031]步骤3.2.2、对经步骤3.1获取的特征图与重加权向量点乘，得到重加权后的特征图。
[0032]进一步地，在步骤3.2.1中，假设支撑样本来自N个目标类别，特征重加权模块接收N个图片及其掩码的输入；对于N个类中的每一个类，将从支撑集中随机选择一个图像及其对应的边界框注释M
j
；然后，特征重加权模块将其映射到特定于类的表示并且使用重新加权向量V
ij
来重新加权元特征，并突出显示尺寸i和类别j上的提供有用信息的特征。
[0033]进一步地，在步骤3.2.2中，在获得元特征F和重新加权向量V
ij
之后，计算特定类的重新加权特征图
[0034][0035]这里的是通过重加权向量V
ij
作为卷积核的1
×
1卷积实现的通道乘法；
[0036]在通道相乘之后，得到三组重新加权的特征图，每个尺度一组；在每一组中，特征重新加权模块产生N个重新加权的特征图，每个重新加权的特征图负责检测N类之一处的目标对象。
[0037]进一步地，步骤4包括以下子步骤：
[0038]步骤4.1、将测试图像进行标准化，按照统一的尺寸进行放大或缩小；
[0039]步骤4.2、将标准化后的图像输入图像识别模型，并导入已经训练好的权重参数文件，经过元特征提取器网络进行特征提取，获得特征图；
[0040]步骤4.3、对特征图进行边界框预测，并对目标进行分类，输入边界框坐标信息和分类结果。
[0041]本专利技术的有益效果在于：
[0042]1、本专利技术设计了一个元特征提取器，用于从输入图像中提取深度特征，并增强特征表达，克服了遥感图像像素低、背景噪声过大等问题；
[0043]2、本专利技术设计了一个特征重新加权模块，用于学习支撑集的每个特征表示，并自适应地分配权重，使得模型更好地适应数据量较少的场景；
[0044]3、本专利技术在图像的特征提取过程中，通过更好地使神经网络获取深层语义特征和浅层细节特征，有效提升了特征表示能力，可以充分利用样本的数据信息。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征增强的遥感图像识别方法，其特征在于，包括以下步骤：步骤1、收集样本数据，形成图像识别标准格式数据集；步骤2、对步骤1得到的样本数据进行预处理，并分成训练集和测试集；步骤3、利用步骤2的得到的训练集，对图像识别模型进行训练，得到权重参数文件；步骤4、利用步骤3的生成的权重参数文件，对测试集图像进行识别，生成目标类别和检测框。2.根据权利要求1所述的一种基于特征增强的遥感图像识别方法，其特征在于，步骤1包括以下子步骤：步骤1.1、收集遥感图像，图像中含有特定目标；步骤1.2、使用标注工具对图像中的模板进行边界框和类别标注，得到图像识别标准格式数据集，作为初始数据集。3.根据权利要求2所述的一种基于特征增强的遥感图像识别方法，其特征在于，步骤2包括以下子步骤：步骤2.1、对初始数据集进行处理；步骤2.2、将处理后的数据集进行标准化，按照统一的尺寸进行放大或缩小，同时，目标标注信息也等比例放大或缩小；步骤2.3、将标准化的图像按照8:2比例形成训练集和测试集。4.根据权利要求3所述的一种基于特征增强的遥感图像识别方法，其特征在于，在步骤2.1中，初始数据集的处理方法包括图像增强和添加噪声。5.根据权利要求4所述的一种基于特征增强的遥感图像识别方法，其特征在于，步骤3包括以下子步骤：步骤3.1、将训练集图像输入图像识别模型，经过元特征提取器网络进行特征提取，获得特征图；步骤3.2、设计一个特征重加权模块，用于学习支撑集图像中提取元知识，通过支撑集样本激活特定某个类的系数来对步骤3.1获取的特征图进行重加权；步骤3.3、对经步骤3.2重加权后的特征图，进行边界框预测和目标分类结果，设计损失函数，利用标注信息对模型参数进行训练，最终得到权重模型。6.根据权利要求5所述的一种基于特征增强的遥感图像识别方法，其特征在于，在步骤3.1中，将Darknet53网络构建为特征金字塔结构，其中，自下而上的路径为前向传播过程，自上而下的路径为上采样过程；对于每个输入图像，在进行特征提取后，元特征提取器网络以三种不同的比例生成元特征。7.根据权利要求6所述...

【专利技术属性】
技术研发人员：肖哲，郭启帆，甘瑞蒙，董晓钰，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：