[發明專利]基于多尺度注意力機制的遙感圖像車輛目標檢測方法

在審

• 申請號: 202010521480.1
• 申請日: 2020-06-10
• 公開（公告）號: CN111738110A
• 公開（公告）日: 2020-10-02
• 發明（設計）人: 門飛飛;李訓根;馬琪;潘勉;呂帥帥;李子璇;張戰;劉愛林
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 浙江永鼎律師事務所 33233
• 代理人: 陸永強

本發明公開了一種基于多尺度注意力機制的遙感圖像車輛目標檢測方法，包括：S1，使用多層卷積神經網絡對原始圖片進行特征提取，將生成的不同尺度特征圖構建一個自底向上的金字塔網絡；S2，對于已經構建好的金字塔網絡，實現自頂向下的特征融合，在融和過程中，依次對高層特征圖進行通道注意力操作，并融合到低層特征圖；S3，獲取融合后的低層特征圖的空間注意力信息，并融合到原有的低層特征中；S4，通過預先設定的大小、比例等生成大量候選框，根據檢測目標的真實框大小決定所用到的特征圖，再通過真實框與候選框的交并比判定候選框的正負性；S5，對得到的正樣本候選框直接預測其類別信息以及回歸信息，使用非極大抑制方法，濾除得到的重疊區域同類別候選框。

技術領域

本發明屬于深度學習的圖像處理的技術領域，具體涉及一種基于多尺度注意力機制的遙感圖像車輛目標檢測方法。

背景技術

隨著遙感衛星技術的發展，大量的跨空間與跨時間的遙感圖片可以被輕松獲取到。遙感圖像為人們分析地面車輛提供了一個嶄新的視角。通過空中視角對車輛目標的檢測可以幫助城市智能交通、城市交通規劃、軍事目標檢測與跟蹤，跨區域遠程監測等任務順利實施。而車輛目標的識別和檢測是上述任務中重要而且基礎功能。由于遙感圖像的獲取平臺、獲取方式不同，遙感圖片的質量隨之變化。不同的地面采樣距離使相同的目標產生了不同的尺度，這對于不同目標尤其是小目標的檢測帶來了挑戰。

傳統的遙感圖像車輛識別使用手動特征提取的方法，設計難度高且識別率低，難以在小而密集的車輛目標區域中準確識別車輛，且難以避免復雜的地面環境干擾信息。

隨著深度學習技術的發展，通過深層次神經網絡的訓練能輕松的獲取車輛目標語義信息。但是想要準確的識別車輛的具體位置還有不小的挑戰。這其中，基于深度神經網絡構成的特征金字塔在多尺度目標和小目標的檢測領域被廣泛使用。根據目標的面積信息選擇不同尺度的特征圖進行檢測具有一定的效果提升。但是車輛目標由于小目標偏多使之大多聚集于較低層特征，通過簡單的上采樣和相加所得到的低層特征往往不具有很豐富的語義特征。

發明內容

鑒于以上存在的技術問題，本發明用于提供一種基于多尺度注意力機制的遙感圖像車輛目標檢測方法，針對車輛目標偏小的特征，對特征金字塔的低層特征采用了注意力機制強化方式。通過為低層的特征圖融合通道注意力機制與空間注意力機制，使得低層的特征在通道以及空間信息上具有不同的權重，為后續網絡的目標識別以及檢測提供了更精確的語義信息，減小了遙感圖像中背景信息對車輛目標的干擾。

為解決上述技術問題，本發明采用如下的技術方案：

一種基于多尺度注意力機制的遙感圖像車輛目標檢測方法，包括如下步驟：

S1，使用多層卷積神經網絡對原始圖片進行特征提取，將生成的不同尺度特征圖構建一個自底向上的金字塔網絡；

S2，對于已經構建好的金字塔網絡，實現自頂向下的特征融合，在融和過程中，依次對高層特征圖進行通道注意力操作，并融合到低層特征圖；

S3，獲取融合后的低層特征圖的空間注意力信息，并融合到原有的低層特征中；

S4，通過預先設定的大小、比例等生成大量候選框，根據檢測目標的真實框大小決定所用到的特征圖，再通過真實框與候選框的交并比判定候選框的正負性；

S5，對得到的正樣本候選框直接預測其類別信息以及回歸信息，使用非極大抑制方法，濾除得到的重疊區域同類別候選框，得到最終的檢測結果。

優選地，所述S1包括：選用ResNet-50作為基礎卷積神經網絡，圖片經過網絡，在不同的層輸出不同尺度的特征圖，每上一個特征圖是下一個特征圖所經過神經網絡的輸出，此時的不同特征具有不同的通道數，越上層的特征，通道數越多，但是尺度越小，首先對不同特征圖進行通道數統一化，其過程如下：