CN117036980B 基于高分辨率特征自注意的卫星遥感图像小目标检测方法 （中国科学院长春光学精密机械与物理研究所）

基于高分辨率特征自注意的卫星遥感图像本发明涉及一种基于高分辨率特征自注意构建网络；优化算法采用随机梯度下降算法SGD的全局信息编码能力和空间注意力机制对局部结构将卷积层得到的检测信息与混合注意力得2所述主检测结构由C3模块组成，包含三个卷积模块和一个瓶颈结所述预测头用来将输入特征图经过非极大值抑制处理后得到预(3)优化算法采用随机梯度下降算法SGD作为优化器，以16张图片作为一个训练批次，2.根据权利要求1所述的基于高分辨率特征自注意的卫星遥感图像小目标检测方法，第一阶段中的通道数为256的输入特征图和第二阶段中的通道数为512的输入特征图，采用残差连接与第三阶段中的输出特征图进行通道3.根据权利要求1所述的基于高分辨率特征自注意的卫星遥感图像小目标检测方法，所述基本模块的输入特征图为输入的特征图将经过两次带有批归一xoureR"c,其计算过程如下：所述融合模块输入的特征图首先经过叠加操作，再经过带有批归一化3度的平均池化得到特征图随后经过Sigmoid激活函数得到特征图后，三个池化后的特征图会与SPP部分的输入Z相拼接，最后再经过一个带有批归一化和Z13513分别表示经过三种不同大小卷积核的池化操4.根据权利要求1所述的基于高分辨率特征自注意的卫星遥感图像小目标检测方法，自通道注意力的输入为之后经过通道维度的平均池化得到特征图随后经过Sigmoid激活函数得到特征图peR1X1XC,最终输入I与输出P按照对应元素相乘，得到通道注意力的输出zeRHXWXC。5.根据权利要求4所述的基于高分辨率特征自注意的卫星遥感图像小目标检测方法，首先，沿通道轴应用平均池化和最大池化操作，所生成的特征图为zaeRHXWX1和并将它们拼接起来以生成一个有效的描述特随后，将拼接后的特征图与输入特征图zeRHXWXC进行对应元素相乘；6.根据权利要求5所述的基于高分辨率特征自注意的卫星遥感图像小目标检测方法，7.根据权利要求1所述的基于高分辨率特征自注意的卫星遥感图像小目标检测方法，4k为矩阵K的维度；最后，将结果进行重新排列为H*W*C作为自注意力机制的输出TeRHXVXC。8.根据权利要求5_7中的任意一项所述的基于高分辨率特征自注意的卫星遥感图像小将所述自注意力模块的输出T与所述混合注意力模块的输出M按照对应9.根据权利要求1所述的基于高分辨率特征自注意的卫星遥感图像小目标检测方法，5角色，近年来，面向通用场景的目标检测方法已经实现了很大的突破，如FasterR_CNN、其在面对极小目标时会带来很大挑战。通用场景检测方法中被广泛研究的CNN类方法虽然[0004]Kim等人在论文《ECAP_YOLO:EfficientChannelAttentionPyramidYOLOfor性，但没有获取特征图全局相关性的能力。Hu等人在论文《PAG_YOLO:APortable6[0023]第一阶段中的通道数为256的输入特征图和第二阶段中的通道数为512的输入特[0025]所述基本模块的输入特征图为输7道维度的平均池化得到特征图随后经过Sigmoid激活函数得到特征图和Relu激活函数的卷积，得到输出的特征图为TeRXWVXC,其计算过程如下：[0035]自通道注意力的输入为IeRHXWVC,之后经过通道维度的平均池化得到特征图随后经过Sigmoid激活函数得到特征图peR1X1XC,最终输入I与输出P[0041]MeR⃞C=P(cat(za,Z))OZTeRHXWXC。8[0052]将所述自注意力模块的输出T与所述混合注意力模块的输[0057]本发明提出了一种高分辨率特征融合网络,通过保持高分辨率的特征提取结构，[0060]本发明的方法通过一种高分辨率特征融合网络来保持小目标在前向传递中的特征，使得自注意力的全局信息编码能力和空间注意力机制对局部特征加强的能力相互弥[0062]图1为本发明的基于高分辨率特征自注意的卫星遥感图像小目标检测方法适用的[0066]图5为本发明的基于高分辨率特征自注意的卫星遥感图像小目标检测方法的步骤[0068]本发明的基于高分辨率特征自注意的卫星遥感图像小目标检测方法适用的系统[0071]在骨干网络中，输入图像首先通过三次卷积操作，将图片下采样为原本的1/8大9图和第二阶段中的通道数为512的输入特征图，采用残差连接与第三阶段中的输出特征图之后经过通道维度的平均池化得到特征图随后经过Sigmoid激活函数得到特征图peR1X1XC,最终输入I与输出P按照元素相乘，得到ECA模带有批归一化和Relu激活函数的卷积，得到输出的特征图为其计下：[0083](4)辅助检测结构：辅助检测结构由三个基于自注意力机制的混合注意力(STMA)意力的输入为之后经过通道维度的平均池化得到特征图随后经过Sigmoid激活函数得到特征图peR1X1XC,最终输入I与输出P按照对应元素相乘，得到通道注意力的输出zeRHXWXC。计算空间注意力时，首先沿通道轴应用平均池来以生成一个有效的描述特征，随后将拼接后的特征图与输入[0085]Mewe=p(cat(za,zn))oz(3)IeRHXVXC。随后对特征图进行窗口划[0090]将结果进行重新排列为H*W*C作为[0092]l真正为目标的是多少。召回率指标表示的是在模型在所有真正目标中成功预测出了多少。算两个参数围成的曲线(PR_curve78.170.070.984.672.077.3[0102]本发明提出了一种高分辨率特征融合网络,通过保持高分辨率的特征提取结构，[0105]本发明的方法通过一种高分辨