CN115359366B 基于参数优化的遥感图像目标检测方法 （中国人民解放军军事科学院系统工程研究院）

本发明公开了一种基于参数优化的遥感图目标检测模型对所述光学遥感图像信息进行定2确定用于遥感图像目标检测的锚定框，利用遥感目标检测对所述输出特征图信息集合进行后处理，得到目标图像检测信所述遥感目标检测模型由输入至输出方向依次包括输入端、主干特所述的下采样模块用于将预处理后的光学遥感图像信息在图像的纵向和横向分别进所述的特征提取模块用于对第一映射特征依次进行二维卷积、归一化和激活层操作，所述的残差模块包括若干个经典残差结构，残差模块用于对其输入的所述的空间金字塔池化模块用于对第三映射特征进行若干种不同尺寸的最大池化操所述的确定用于遥感图像目标检测的锚定框，锚定框通过对[0,1]划分为互不重叠的若干个概率取值区间，每个概率取值区间对应一个样本数据下一3所述的特征融合网络，包括特征金字塔结构和路径聚合网络结构，用所述的上下文转换模块，同时实现了上下文信息挖掘和自注意力学上下文转换模块对于上下文注意矩阵A，与经过1×1卷积的矩阵输出端用于对特征融合网络得到的输出特征图信息与真实特征图信息的差异性进行采用遥感目标检测损失函数对特征融合网络得到的输出特征图信息与真实特征图信4遥感目标检测损失函数通过计算重叠损失、计算中心距离损失和计算宽高损失来得测框和目标真实框的最小外接矩形的对角线距离，w和wgt分别为目标预测框和目标真实框5[0010]所述遥感目标检测模型由输入至输出方向依次包括输入端(Input)、主干特征提6应图片缩放方法对所有光学遥感图像的尺寸区间[0,1]划分为互不重叠的若干个概率取值区间，每个概率取值区间[0023]下采样模块用于将预处理后的光学遥感图像信息在图像的纵向和横向分别进行[0024]特征提取模块用于对第一映射特征依次进行二维卷积(Conv2d)、归一化7[0026]空间金字塔池化模块用于对第三映射特征进行若干种不[0029]所述的上下文转换模块，同时实现了上下文信息挖掘和[0030]上下文转换模块首先对遥感图像分割得到的k×k个图片网格内的所有相邻键进结果进行连续的两次1×1卷积操作，从而获取到了静态的上下文注意矩阵A，其计算过程[0037]输出端用于对特征融合网络得到的输出特征图信息与真实特征图信息的差异性[0038]采用遥感目标检测损失函数对特征融合网络得到的输出特征图信息与真实特征8盖目标预测框和目标真实框的最小外接矩形的对角线距离，w和wgt分别为目标预测框和目测框和目标真实框的最小外接矩形的宽度与组卷积和1×1卷积的操作构建了更适合于计算机视觉的attention计算单元，有效的提高[0044]图1是本发明实施例公开的一种遥感图像目标检测方法所用的遥感目标检测模型[0049]图1是本发明实施例公开的一种遥感图像目标检测方法所用的遥感目标检测模型9[0056]所述遥感目标检测模型由输入至输出方向依次包括输入端(Input)、主干特征提区间[0,1]划分为互不重叠的若干个概率取值区间，每个概率取值区间[0071]下采样模块用于将预处理后的光学遥感图像信息在图像的纵向和横向分别进行[0072]特征提取模块用于对第一映射特征依次进行二维卷积(Conv2d)、归一化[0074]空间金字塔池化模块用于对第三映射特征进行若干种不与主干特征提取网络中的第二个C3模块(网络结构的第4层)生成[0078]路径聚合网络构成首先由特征金字塔结构输出特征，分别通过C3结构以及CBS模金字塔结构实现将其高层模块的中目标和大目标的类别特征向其低层模块的小目标进行[0082]上下文转换模块对于其输入的特征变量X，首先对遥感图像分割得到的k×k个图干网络和特征融合网络中的C3结构是一个全卷积结构，虽然有着很好的局部特征提取能[0091]输出端用于对特征融合网络得到的输出特征图信息与真实特征图信息的差异性[0092]采用遥感目标检测损失函数对特征融合网络得到的输出特征图信息与真实特征盖目标预测框和目标真实框的最小外接矩形的对角线距离，w和wgt分别为目标预测框和目测框和目标真实框的最小外接矩形的宽度与[0095]所述的对特征融合网络得到的输出特征图信息与真实特征图信息的差异性进行[0099]对所述原始图像信息集合进行标注和数据增强处理，得到第一训练图像信息集上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read_OnlyMemory，ROM)、随机存储器(RandomAccessMemory，RAM)、可编程只读存储器(ProgrammableRead_onlyMemory，PROM)、可擦除可编程只读存储器(ErasableProgrammableReadOnlyMemory，EPROM)、一次可