[發明專利]一種基于注意力機制的遙感圖像目標檢測方法

有效

• 申請號: 201910457637.6
• 申請日: 2019-05-29
• 公開（公告）號: CN110276269B
• 公開（公告）日: 2021-06-29
• 發明（設計）人: 時光;劉軍民;郭保民;張講社;周長勝;劉洋;陳琨;陳姝璇;張博文
• 申請（專利權）人: 西安交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/62
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 范巍

本發明提供的一種基于注意力機制的遙感圖像目標檢測方法，包括以下步驟：步驟1，對數據集進行增強處理，得到增強后的數據集；步驟2，構建基于注意力機制的目標檢測模型，并通過步驟1中得到的增強后的數據集訓練該目標檢測模型，直至達到相應的停止條件；本發明的增強處理技術能夠更好的利用有限的高分辨率遙感圖像中的目標信息，能夠輔助模型更準確的識別出遙感圖像中具有多種旋轉角度的目標；同時，構建的基于注意力機制的目標檢測模型能夠有效的利用遙感圖像的上下文信息，使模型能夠利用其它位置的信息輔助當前位置目標的識別；進而使得本發明能夠大大提高目標檢測的識別精度與定位準確度。

技術領域

本發明屬于遙感圖像處理，深度學習以及目標檢測領域，特別涉及一種基于注意力機制的遙感圖像目標檢測方法。

背景技術

遙感圖像的目標檢測是在高分辨率的衛星或者航空圖像中檢測是否存在一個或者多個感興趣的目標，并且給出每個目標的邊界框以及其相應的物體類別。這里的目標不僅僅包括人造物體如汽車，輪船，建筑物等與背景具有明確邊界的目標，并且還包括地形目標如隨著遙感技術的飛速發展，產生了大量的高分辨率遙感圖像。而在遙感圖像分析領域，目標檢測是一項十分重要的基礎技術，其在交通規劃，環境檢測，地理災害預防等領域有著廣泛的應用前景。近年來，遙感圖像的目標檢測逐漸得到了越來越多的關注。

目標檢測方法可大概分為四種，基于模板匹配的方法，基于知識的方法，基于OBIA的方法以及機器學習方法。基于使用的模板類型，模板匹配方法可被進一步的分為固定模板匹配和可變模板匹配方法兩大類，其主要步驟包括模板生成和相似度度量。而基于知識的目標檢測方法則通過使用先驗知識如幾何信息和紋理信息將目標檢測問題轉化為一個假設檢驗問題。基于OBIA的方法主要包括圖像分割和目標分類兩個步驟，其中如何選擇合適的分割尺度是影響目標檢測效果的關鍵因素。

基于機器學習的方法往往包括特征提取，特征融合，維數約減，分類器訓練這幾個步驟。其中特征提取階段依賴于生成的候選區域或者感興趣的區域(ROI),這些候選區域通常使用選擇搜索(selective search,SS)算法生成，其方法通常包括手工設計的特征如譜特征，紋理特征和局部圖像特征，如尺度不變特征變換，SIFT，梯度方向直方圖(histogramof orientedgradients,HOG)等特征。特征分類則主要是訓練一個分類器，例如支撐向量機，條件隨機場，稀疏編碼等。其核心是通過訓練一個分類器來辨別ROI的標簽(是否是目標)。這些方法嚴重依賴于手動設計的特征以及有標簽的訓練樣本。

近年來，深度學習技術在圖像處理領域取得了巨大成功，深度學習提供了一種可以從大量的訓練樣本中自動學習特征的方法。基于深度學習技術，學者們提出了多種目標檢測算法。主要分為兩大類，一類算法是基于候選區域的如R-CNN，Fast R-CNN和Faster R-CNN等。基于候選區域的算法首先篩選出圖像中可能存在目標的多個候選區域，然后使用SVM,神經網絡等算法來判斷候選區域中是否存感興趣的目標。在Faster R-CNN中，提出使用卷積神經網絡Region Proposal Net來生成候選區域，并且使用共享RPN權重的卷積神經網路來判斷候選區域的類別以及預測目標位置相對于候選區域的偏移量。這種方法雖然能夠達到很高的精度，但是由于其分為兩個階段，其訓練和檢測速度較慢。另一種是端對端的算法如SSD和YOLO。這類方法將目標檢測看作一個回歸問題，借助默認邊界框(anchorbox)，通過一個步驟就能得到目標的位置以及類別信息。其中SSD使用預定義的寬高比和尺度參數，在VGG16的不同尺度的特征圖上都定義了多個默認邊界框。YOLO則使用自定義的網絡結構，從數據中聚類得到相應的默認邊界框。