技术特征：
1.一种遥感影像码头目标检测方法，其特征在于，该方法包括以下步骤：1)获取待检测的遥感影像；2)将待检测的遥感影像输入到所述目标检测模型中，以输出码头目标检测结果；所述目标检测模型包括主干网络、特征融合网络和预测层；所述主干网络用于对输入的遥感影像进行特征提取，得到不同尺度大小的的特征图；所述特征融合网络包括spp模块、psa注意力模块和特征金字塔模块，所述spp模块用于对主干网络输出的特征进行最大池化操作，将不同尺度的特征图进行融合；所述psa注意力模块用于对spp模块的输出结果进行切分并提取尺度特征和通道注意力加权，得到具有多尺度特征和注意力加权的特征图；所述的特征金字塔模块用于多得到的具有多尺度特征和注意力加权的特征图进行反复特征提取与融合，得到具有目标精确的位置信息和高层语义信息的特征；所述预测层利用建立有多维角点坐标检测框和得到的具有目标精确的位置信息和高层语义信息的特征对待检测目标进行定位，所述的多维角点坐标包括检测框四个角点的坐标。2.根据权利要求1所述的遥感影像码头目标检测方法，其特征在于，所述的psa注意力模块包括有spc模块、se模块和输出模块；所述spc模块用于将spp模块输出的特征图在通道维度上切分成若干部分，并对每部分进行不同尺度的特征提取，得到各部分特征向量，生成对应通道的特征图；所述se模块用于从各通道的特征图中提取对应通道注意力向量，并对各通道注意力向量重新进行特征标定，得到对应的多尺度通道交互后的注意力权重；输出模块用于根据得到的注意力权重对对应通道的特征图进行加权融合处理，得到具有多尺度特征和注意力加权的特征图。3.根据权利要求2所述的遥感影像码头目标检测方法，其特征在于，所述spc模块采用分组卷积对每部分进行不同尺度的特征提取，每组的卷积核与该分组的大小有关，卷积核大小k与分组之间的关系为：其中，g为分组的大小，k为卷积核的大小。4.根据权利要求1所述的遥感影像码头目标检测方法，其特征在于，所述的目标检测模型在训练时采用的多维角点坐标损失函数：l＝l
pre
+l
conf
+l
clsclscls
s2表示输入的遥感影像被划分的网格个数，b表示每个网格中先验框的个数，，pr(object)表示当前先验框中是否包含目标，当包含目标时pr(object)的值为1，当没有目标时pr(object)值为0；x、y、x
gt
、y
gt
分别表示检测框和真实框坐标，c和c
gt
分别表示预测置信度和真实置信度，p和p
gt
分别表示预测类别的概率和真实概率。
5.根据权利要求1所述的遥感影像码头目标检测方法，其特征在于，所述的主干网络采用cspdarknet53网络。6.根据权利要求4所述的遥感影像码头目标检测方法，其特征在于，所述的预测层包括有3个，每个预测层中均包含有8个坐标信息、1个边框置信度和1个类别置信度。7.根据权利要求6所述的遥感影像码头目标检测方法，其特征在于，所述的边框置信度采用的计算公式为：其中c
ij
为第i个网格中第j个先验框；pr(object)表示当前先验框中是否包含目标，当包含目标时pr(object)的值为1，当不包含目标时pr(object)值为0；表示预测边界框与真实边界框的交并比，在0～1之间。
技术总结
本发明涉及一种遥感影像码头目标检测方法，属于遥感影像处理技术领域。本发明以YOLOv4水平框检测算法为基础，在特征融合网络中增加PSA注意力模块，利用PSA注意力模块获得不同尺度的感受野，并通过提取通道的注意权重，以得到不同尺度通道注意力的权重，实现对不同尺度的上下文信息进行融合，进一步提升网络的检测精度；同时采用多维角点坐标检测框标定码头目标，能够有效表示码头目标的真实边界，解决码头方向任意的问题，进一步提升了目标的定位精度，实现了码头目标的准确检测。实现了码头目标的准确检测。实现了码头目标的准确检测。
技术研发人员：郭海涛 卢俊 龚志辉 阎晓东 张衡 林雨准 刘相云 高慧
受保护的技术使用者：中国人民解放军战略支援部队信息工程大学
技术研发日：2022.06.17
技术公布日：2022/12/19