[發明專利]遙感圖像目標檢測方法、系統及終端設備

有效

• 申請號: 202010737230.1
• 申請日: 2020-07-28
• 公開（公告）號: CN111860398B
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 劉京;田亮;郭蔚;楊爍今;陳棟;周丙寅
• 申請（專利權）人: 河北師范大學
• 主分類號: G06V20/00
• 分類號: G06V20/00;G06V10/46;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 河北國維致遠知識產權代理有限公司 13137
• 代理人: 郝偉

本發明適用于圖像處理技術領域，公開了一種遙感圖像目標檢測方法、系統及終端設備，上述方法包括：獲取待檢測遙感圖像；將所述待檢測遙感圖像輸入訓練后的并行感知注意力網絡模型中，得到多個不同尺度的輸出特征圖；根據所述多個不同尺度的輸出特征圖進行目標檢測得到檢測結果。本發明通過并行感知注意力網絡模型進行特征提取，不但可以提取目標的多尺度、上下文以及全局特征，而且可以提取非局部的目標間關聯特征，還可以提取方向敏感的目標特征，使用通過并行感知注意力網絡模型提取的多個尺度的輸出特征圖進行目標檢測可以在保證較高檢測準確率的同時提高檢測速度，能夠同時兼顧目標檢測速度和目標檢測精度。

技術領域

本發明屬于圖像處理技術領域，尤其涉及一種遙感圖像目標檢測方法、系統及終端設備。

背景技術

目標檢測是圖像處理領域的重要研究內容，有著很高的實際應用價值，是國內外專家學者廣泛關注的研究課題。并且，隨著深度學習的發展，將深度學習應用于遙感圖像的目標檢測是大勢所趨。

目前，基于深度學習的目標檢測模型主要分為兩大類。一類是以RCNN，Fast-RCNN，Faster-RCNN為代表的基于區域推薦的目標檢測模型，該類目標檢測模型經過由粗到細兩步預測出被檢測目標的邊界框和類別，有較高的精確度但是檢測速度慢；另一類是以YOLO，SSD為代表的基于回歸的目標檢測模型，該類模型直接預測出被檢測目標的邊界圍框和類別而無需經過“先粗后細”的過程，有較快的檢測速度但是檢測精度一般。因此，現有技術無法兼顧目標檢測速度和目標檢測精度。

發明內容

有鑒于此，本發明實施例提供了一種遙感圖像目標檢測方法、系統及終端設備，以解決現有技術無法兼顧目標檢測速度和目標檢測精度的問題。

本發明實施例的第一方面提供了一種遙感圖像目標檢測方法，包括：

獲取待檢測遙感圖像；

將待檢測遙感圖像輸入訓練后的并行感知注意力網絡模型中，得到多個不同尺度的輸出特征圖；

根據多個不同尺度的輸出特征圖進行目標檢測得到檢測結果。

本發明實施例的第二方面提供了一種遙感圖像目標檢測系統，包括：

獲取模塊，用于獲取待檢測遙感圖像；

特征提取模塊，用于將待檢測遙感圖像輸入訓練后的并行感知注意力網絡模型中，得到多個不同尺度的輸出特征圖；

目標檢測模塊，用于根據多個不同尺度的輸出特征圖進行目標檢測得到檢測結果。

本發明實施例的第三方面提供了一種終端設備，包括存儲器、處理器以及存儲在存儲器中并可在處理器上運行的計算機程序，處理器執行計算機程序時實現如第一方面所述遙感圖像目標檢測方法的步驟。

本發明實施例的第四方面提供了一種計算機可讀存儲介質，計算機可讀存儲介質存儲有計算機程序，計算機程序被一個或多個處理器執行時實現如第一方面所述遙感圖像目標檢測方法的步驟。

本發明實施例與現有技術相比存在的有益效果是：本發明實施例首先獲取待檢測遙感圖像，然后將待檢測遙感圖像輸入訓練后的并行感知注意力網絡模型中，得到多個不同尺度的輸出特征圖，最后根據多個不同尺度的輸出特征圖進行目標檢測得到檢測結果，本發明實施例通過并行感知注意力網絡模型進行特征提取，不但可以提取目標的多尺度、上下文以及全局特征，而且可以提取非局部的目標間關聯特征，還可以提取方向敏感的目標特征，使用通過并行感知注意力網絡模型提取的多個尺度的輸出特征圖進行目標檢測可以在保證較高檢測準確率的同時提高檢測速度，能夠同時兼顧目標檢測速度和目標檢測精度。

附圖說明