本申请的实施例涉及低空遥感目标检测方法技术领域，特别涉及一种低空遥感目标检测方法，通过获取待检的低空遥感图像，利用预构建的基于稀疏交叉注意力的低空遥感目标检测模型处理待检测的低空遥感图像，得到低空遥感图像的检测目标，输出低空遥感图像的检测目标，通过新设计的特征增强模块，能够有效提取全局特征信息，通过新设计的小目标特征融合模块，能够有效将深层语义信息与浅层信息进行融合，且保留较大特征尺寸，更好的对小目标进行检测，利用稀疏机制，仅考虑最相关特征信息之间的关联，在保证融合效果的同时提高效率，通过新设计的全局语义信息融合模块，能够有效增强特征学习能力。
【技术实现步骤摘要】
本申请的实施例涉及计算机视觉，特别涉及一种低空遥感目标检测方法。
技术介绍
1、光学遥感图像目标检测技术是当前计算机视觉领域的研究热点技术，尤其是随着无人机技术的发展，对低空无人机图像中的目标检测需求尤为迫切。低空遥感图像中环境复杂，背景种类多，包含行人、机动车等小目标，且无人机拍摄高度灵活，目标尺度多变，给遥感目标检测带来了诸多困难。因此，对低空无人机遥感目标中的小目标与多尺度目标进行检测对实际应用有着重大意义。
2、近年来，深度学习技术发展迅速，在计算机视觉领域应用极多。随着深度学习技术的应用，yolov5、yolov8等基于深度学习的目标检测框架被广泛应用于日常目标检测领域当中。但该类算法对俯视视角、尺度丰富、存在小目标的低空无人机影像中检测效果有限，精度较低，难以直接应用在实际任务中。
3、胡炳昊等人在《融合位置注意力的空洞卷积无人机影像多目标检测方法》一文中提出了一种利用融合位置注意力的空洞卷积目标检测方法，该方法使用级联空洞卷积提取特征，提出位置注意力模块对特征进行增强，得到了较好的检测精度。但该方法检测速度较慢，且对小目标检测精度有限，未能较好的融合多尺度全局信息。
技术实现思路
1、有鉴于此，本申请的实施例提出了一种低空遥感目标检测方法，旨在将待检测图像输入网络，经骨干网络提取特征后通过gcam模块增强特征，利用csam模块融合多尺度特征，再经过mfem模块对特征进行全局语义信息融合后，输入检测头进行检测，实现对小目标的精准检测。
>2、为实现上述目的，本申请的实施例提供了一种低空遥感目标检测方法，包括：获取待检的低空遥感图像；利用预构建的基于稀疏交叉注意力的低空遥感目标检测模型处理所述待检测的低空遥感图像，得到低空遥感图像的检测目标；所述基于稀疏交叉注意力的低空遥感目标检测模型包括依次连接的骨干网络、颈部网络和头部网络；其中，利用多个特征增强模块替换所述cspdarknet中的sppf层得到所述骨干网络；在yolov8pafpn的fpn上层回路输出端加入小目标特征融合模块，得到所述颈部网络；在yolov8head中添加一小目标检测头，并在所述yolov8head原有的各个大目标检测头之前加入全局语义信息融合模块，得到所述头部网络；输出所述低空遥感图像的检测目标。3、可选地，所述利用预构建的基于稀疏交叉注意力的低空遥感目标检测模型处理所述待检测的低空遥感图像，得到低空遥感图像的检测目标，包括：利用所述骨干网络的第5、7、10层的所述特征增强模块提取所述待检测低空遥感图像中的空间全局信息和通道全局信息，得到多路增强特征信息；利用所述颈部网络处理多路所述增强特征信息，得到多路不同尺度的增强特征信息，并利用所述小目标特征融合模块融合所述骨干网络的第3层的输出特征和所述fpn上层回路的输出特征，得到一路深层语义信息与浅层信息融合后的融合特征信息；利用所述头部网络的多个全局语义信息融合模块处理各路所述不同尺度的增强特征信息，对应得到多个感受野扩大特征信息，利用多个所述大目标检测头处理多个所述感受野扩大特征信息，对应得到所述低空遥感图像的多个大目标检测结果，并利用所述小目标检测头处理所述融合特征信息，得到所述低空遥感图像的小目标检测结果，基于多个所述大目标检测结果和所述小目标检测结果得到所述低空遥感图像的检测目标。
4、可选地，所述特征增强模块包括：第一卷积层、第二卷积层、第三卷积层、全局平均池化层、全局最大池化层和softmax层；所述利用所述骨干网络的第5、7、10层的所述特征增强模块提取所述待检测低空遥感图像中的空间全局信息和通道全局信息，得到多路增强特征信息，包括：将所述待检测低空遥感图像输入所述骨干网络，得到所述骨干网络的第5、7、10层中各层的第一输入特征；利用各所述特征增强模块的第一卷积层和所述第二卷积层分别处理所述第一输入特征，对应得到第一卷积特征和第二卷积特征，利用所述第三卷积层处理所述第一卷积特征和第二卷积特征得到第三卷积特征，根据相加后的所述第三卷积特征和所述第一输入特征，得到第一输出特征；利用所述全局平均池化层、所述全局最大池化层和所述softmax层处理所述第一输出特征，得到第二输出特征；基于所述第二输出特征和所述第一输出特征的乘积得到全局特征；根据降维后的所述第一输出特征和降维后的所述全局特征的乘积，得到第三输出特征；基于相加的所述第三输出特征和所述第一输入特征，得到各路所述增强特征信息。
5、可选地，所述小目标特征融合模块包括第四卷积层、csab层、mlp层和第六卷积层；所述利用所述小目标特征融合模块融合所述骨干网络的第3层的输出特征和所述fpn上层回路的输出特征，得到一路深层语义信息与浅层信息融合后的融合特征信息，包括：其中，利用所述第四卷积层分别处理所述骨干网络的第3层的输出特征和所述fpn上层回路的输出特征，得到第四卷积特征和第五卷积特征，并将所述第四卷积特征和第五卷积特征分别与所述第3层的输出特征和所述fpn上层回路的输出特征相加，得到第四输出特征和第五输出特征；利用所述csab层处理所述第四输出特征和所述第五输出特征得到稀疏交叉注意力特征；基于相加后的所述第四输出特征和所述稀疏交叉注意力特征，得到第六输出特征；利用mlp层处理所述随机丢弃后的所述第六输出特征，得到第七输出特征；归一化处理相加后的降维后的所述第七输出特征和稀疏交叉注意力特征的加和结果，得到所述融合特征信息。
6、可选地，所述全局语义信息融合模块包括第六卷积层、第七卷积层和第八卷积层；所述利用所述头部网络的多个全局语义信息融合模块处理各路所述不同尺度的增强特征信息，对应得到多个感受野扩大特征信息，利用多个所述大目标检测头处理多个所述感受野扩大特征信息，对应得到所述低空遥感图像的多个大目标检测结果，包括：利用所述单个所述全局语义信息融合模块处理一所述增强特征信息，得到一感受野扩大特征信息；利用与所述全局语义信息融合模块对应的大目标检测头处理所述感受野扩大特征信息，得到一大目标检测结果。
7、可选地，所述利用所述单个所述全局语义信息融合模块处理一所述增强特征信息，得到一感受野扩大特征信息，包括：第一次降维处理一路所述增强特征信息，得到第一降维数据；第二次降维处理所述第一降维数据，得到第二降维数据；利用所述第六卷积层处理所述第一降维数据，得到第六卷积特征，其中，所述第六卷积层为空洞卷积层；根据所述第六卷积特征和所述第二降维数据的点积，得到第八输出特征；利用所述第七卷积层处理所述第八输出特征，得到第七卷积特征，其中，所述第七卷积层为空洞卷积层；第七卷积特征根据所述第七卷积特征和降维后的所述第八输出特征的点积，得到第九输出特征；基于第八卷积层处理所述第九输出特征，得到第十输出特征，其中，所述第八卷积层为空洞卷积层；拼接处理后的所述第十输出特征、第九输出特征和所述第八输出特征，得到第十一输出特征；根据加权后的第十一输出特征和所述增强特征信息，得到一所述感受野扩大特征信息。。
8、可选地，所述利用各所述特征增强本文档来自技高网...
【技术保护点】
1.一种低空遥感目标检测方法，其特征在于，包括：
2.根据权利要求1所述的低空遥感目标检测方法，其特征在于，所述利用预构建的基于稀疏交叉注意力的低空遥感目标检测模型处理所述待检测的低空遥感图像，得到低空遥感图像的检测目标，包括：
3.根据权利要求2所述的低空遥感目标检测方法，其特征在于，所述特征增强模块包括：第一卷积层、第二卷积层、第三卷积层、全局平均池化层、全局最大池化层和Softmax层；
4.根据权利要求2所述的低空遥感目标检测方法，其特征在于，所述小目标特征融合模块包括第四卷积层、CSAB层、MLP层和第六卷积层；
5.根据权利要求2所述的低空遥感目标检测方法，其特征在于，所述利用所述头部网络的多个全局语义信息融合模块分别处理各路所述不同尺度的增强特征信息，对应得到多个感受野扩大特征信息，利用多个所述大目标检测头分别处理多个所述感受野扩大特征信息，对应得到所述低空遥感图像的多个大目标检测结果，包括：
6.根据权利要求5所述的低空遥感目标检测方法，其特征在于，所述全局语义信息融合模块包括第六卷积层、第七卷积层、第八卷积层；所述利用单个所述全局语义信息融合模块处理一路所述增强特征信息，得到一感受野扩大特征信息，包括：
7.根据权利要求3所述的低空遥感目标检测方法，其特征在于，所述利用各所述特征增强模块的所述第一卷积层和所述第二卷积层分别处理所述第一输入特征，对应得到第一卷积特征和第二卷积特征，利用所述第三卷积层处理所述第一卷积特征和第二卷积特征得到第三卷积特征，根据相加后的所述第三卷积特征和所述第一输入特征，得到第一输出特征的过程采用第一表达式表示，所述第一表达式包括：
8.根据权利要求4所述的低空遥感目标检测方法，其特征在于，所述利用所述小目标特征融合模块融合所述骨干网络的第3层的输出特征和所述FPN上层回路的输出特征，得到一路深层语义信息与浅层信息融合后的融合特征信息的过程采用第一组表达式表示，所述第一组表达式包括：
9.根据权利要求8所述的低空遥感目标检测方法，其特征在于，所述利用所述CSAB层处理所述第四输出特征和所述第五输出特征得到稀疏交叉注意力特征的过程采用第二组表达式，所述第二组表达式包括：
10.根据权利要求5所述的低空遥感目标检测方法，其特征在于，所述利用所述单个所述全局语义信息融合模块处理一路所述增强特征信息，得到一感受野扩大特征信息的过程采用第三组表达式，所述第三组表达式包括：
...
【技术特征摘要】
1.一种低空遥感目标检测方法，其特征在于，包括：
2.根据权利要求1所述的低空遥感目标检测方法，其特征在于，所述利用预构建的基于稀疏交叉注意力的低空遥感目标检测模型处理所述待检测的低空遥感图像，得到低空遥感图像的检测目标，包括：
3.根据权利要求2所述的低空遥感目标检测方法，其特征在于，所述特征增强模块包括：第一卷积层、第二卷积层、第三卷积层、全局平均池化层、全局最大池化层和softmax层；
4.根据权利要求2所述的低空遥感目标检测方法，其特征在于，所述小目标特征融合模块包括第四卷积层、csab层、mlp层和第六卷积层；
5.根据权利要求2所述的低空遥感目标检测方法，其特征在于，所述利用所述头部网络的多个全局语义信息融合模块分别处理各路所述不同尺度的增强特征信息，对应得到多个感受野扩大特征信息，利用多个所述大目标检测头分别处理多个所述感受野扩大特征信息，对应得到所述低空遥感图像的多个大目标检测结果，包括：
6.根据权利要求5所述的低空遥感目标检测方法，其特征在于，所述全局语义信息融合模块包括第六卷积层、第七卷积层、第八卷积层；所述利用单个所述全局语义信息融合模块处理一路所述增强特征信息，得到一感受...
【专利技术属性】
技术研发人员：王靖宇，马明睿，苏雨，王红梅，张科，马振宇，黄鹏飞，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。