[發明專利]一種基于元學習和協同注意力的小樣本遙感圖像目標檢測方法

有效

• 申請號: 202110198130.0
• 申請日: 2021-02-22
• 公開（公告）號: CN112818903B
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 李紅光;李烜燁;王菲;于若男
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06V20/17
• 分類號: G06V20/17;G06V10/40;G06V10/774;G06V10/764;G06V10/80;G06K9/62;G06F16/58
• 代理公司: 北京永創新實專利事務所 11121
• 代理人: 易卜

本發明公開了一種基于元學習和協同注意力的小樣本遙感圖像目標檢測方法，屬于圖像處理技術領域；首先，從元學習的思想出發對遙感圖像進行one?way one?shot的任務劃分；然后，將劃分的支持集與查詢集通入改進的特征提取網絡，通過在特征提取網絡中間的若干層添加協同注意力模塊，實現通過支持集特征強化查詢集上特征分布的目的。基于查詢圖像最終得到的特征圖構建多分支檢測頭部，計算改進的特征提取網絡的損失函數。最后，對于包含新類別目標的遙感圖像，利用訓練好的改進的特征提取網絡進行目標預測。本發明引入元學習的思想構建多個小樣本學習任務，增強檢測模型的快速適應性需求。

技術領域

本發明屬于圖像處理領域，具體涉及一種基于元學習和協同注意力的小樣本遙感圖像目標檢測方法。

背景技術

近年來，航空遙感技術和無人機技術發展迅速。航空遙感圖像作為一種有效的信息載體，可以擴展人眼的視野范圍，被廣泛應用于情報偵察等軍事行動以及環境監測、礦產偵查、自然災害預防、土地利用調查以及水資源保護等科學活動中。但是，通過航拍產生的大量高清圖像數據已經超出人工實時判讀和理解的能力范疇，難以通過人力及時準確的獲取信息。針對遙感圖像進行的目標檢測任務，作為計算機視覺領域中的一個重點研究方向，是圖像場景及語義理解的重要一環，對于后續民用項目及軍事行動的開展具有重要的指導意義。

相較于通用領域的目標檢測，遙感圖像目標檢測任務中面臨著更為復雜的場景、更為艱難的數據采集和耗費更多人力物力的數據集標定。特別的，在一些應用中，無人機在執行任務時通常面臨著新的地面場景和未知目標。不能夠采集足夠的任務區域遙感圖像，同時又要求算法模型無需另行訓練，快速對新場景新目標做出檢測識別。因此，從以上需求出發，建立一個具備新任務快速適應性的小樣本深度學習模型是遙感圖像目標檢測任務中所必需的。

現有的小樣本學習研究多集中在圖像分類任務中，小樣本目標檢測任務往往面臨著更多的挑戰。首先，目標檢測不僅需要訓練分類網絡，還需要訓練回歸網絡得到目標的位置和尺寸；其次，檢測任務不僅需要關注高層語義信息，還需要底層網絡中的像素級信息來實現目標定位；同時，目標檢測任務中通常對背景類也有定義，當訓練樣本不足時，容易發生背景類和目標類別的混淆。因此相較于圖像分類，小樣本目標檢測更加難以利用先驗信息完成任務。

從以上問題出發，目前的小樣本目標檢測思路通常在兩階段目標檢測框架的基礎上，通過數據增廣或者特征增強的方式加強先驗知識。然而兩階段的檢測算法通常面臨著更多的計算復雜度和更慢的檢測速度；數據增廣的方法包括利用生成對抗網絡來學習有限樣本的特征分布，從而生成新數據用于訓練，但數據增廣的方法嚴重依賴生成網絡的可靠性。特征增強的方法通過互注意力機制增強待測圖像中的特征表達，然而空間和通道的互注意力處理通常是分開進行的，難以充分利用空間和通道之間的依賴性。

同時，現有的小樣本目標檢測算法通常是針對自然場景，城市場景及室內場景的圖像。航空遙感圖像成像距離遠、視角特殊，與普通圖像差異較大，已有的小樣本目標檢測算法難以獲得好的檢測效果。而且空間和通道信息豐富、目標具有多方向性是遙感圖像的顯著特點，同時在遙感圖像目標檢測實際應用中，通常面臨著新場景下新目標的檢測任務，要求檢測模型對訓練過程中未出現過的新類別也具有快速的適應性。

發明內容

一種基于元學習和協同注意力的小樣本遙感圖像目標檢測方法。元學習通過構建訓練和測試樣本類別不同的小樣本學習任務使模型具備新任務適應能力，而協同注意力模塊彌補了小樣本任務中先驗信息不足的問題。因此，本方法既能一定程度上解決遙感圖像目標檢測中的小樣本問題，也能滿足遙感圖像應用中對于新任務的快速適應性需求。

所述的小樣本遙感圖像目標檢測算法，具體步驟如下：

步驟一、取若干類目標的遙感圖像分別劃分訓練集和測試集；

具體為：對于包含若干個類別目標的遙感圖像，取其中X個類別的樣本作為訓練集，其余類別樣本作為測試集。