一种基于注意力机制的遥感图像小目标检测方法

本发明涉及一种遥感图像小目标检测方法，具体涉及一种基于注意力机制的遥感图像小目标检测方法。

背景技术：

1、随着遥感技术的飞速发展，遥感图像处理的研究也越来越受到学者们的青睐，遥感图像目标检测也逐渐成为计算机视觉领域的重要研究课题之一。其在国防、军事、制造和民用领域均有着巨大的应用价值。相较于遥感图像中的常规目标，小目标检测长期以来是遥感图像目标检测中的重点和难点之一。一般情况下，常规目标特征表达充分易于提取，而小目标具有特征难以提取，定位困难的特点，这导致将其从复杂背景或毗连密集目标中检测出十分困难。同时遥感图像处理易受到光线、大气颗粒等各种因素的影响，对遥感图像小目标检测提出了更高挑战。

2、因此，进一步提高遥感图像目标检测的精度，并有效地提升算法对于遥感图像小目标的检测精度问题相关领域学者的研究重点。

技术实现思路

1、本发明针对现有的目标检测算法yolov5，对于遥感图像中小目标检测效果不佳的问题，提供了一种基于注意力机制的遥感图像小目标检测方法，旨在提高在遥感图像小目标情况下的检测精度。

2、本发明的目的是通过以下技术方案实现的：

3、一种基于注意力机制的遥感图像小目标检测方法，包括如下步骤：

4、步骤一、改进yolov5网络模型结构

5、步骤一一、在yolov5的骨干网络sppf结构之前增加协同注意力机制，将目标位置信息有效地嵌入到模型通道注意力网络中，增强模型对小目标信息的协同定位感知能力；

6、步骤一二、在骨干网络快速金字塔池化模块之后引入上下文转换器模块，更好地兼顾全局信息与上下文信息的提取；

7、步骤一三、使用eiou损失函数替换ciou损失函数；

8、步骤二、遥感图像小目标检测

9、利用步骤一改进的yolov5网络模型结构进行遥感图像小目标检测，具体步骤如下：

10、步骤二一、输入的遥感图像首先经过骨干网络中的focus结构，经focus结构的切片操作后变为特征向量；

11、步骤二二、将得到的特征向量经过三个cbs与c3的组合进行特征提取，依次对应着三个目标层的特征向量，然后依次经过ca、sppf、cot结构；

12、步骤二三、在颈部网络中对得到的三个特征向量进行特征融合，使用两个上采样层将原先被尺寸缩小的下采样层进行还原，还原到原图像的尺寸大小；

13、步骤二四、在输出层通过对特征图进行分类和回归操作，检测出遥感图像中的目标并给出其位置和类别信息。

14、相比于现有技术，本发明具有如下优点：

15、本发明引入协同注意力机制模块增强感受野，增强模型对目标的精确定位能力；引入上下文转换器模块，更好地捕获全局信息和丰富的上下文信息，改善复杂场景下小目标的特征提取能力；选用eiou损失函数改进模型的回归损失函数，在不增加模型规模和计算损耗的前提下，提高了边框的回归精度，从而实现在遥感图像小目标居多情况下提升检测精度的目的。

技术特征：

1.一种基于注意力机制的遥感图像小目标检测方法，其特征在于所述方法包括如下步骤：

2.根据权利要求1所述的基于注意力机制的遥感图像小目标检测方法，其特征在于所述步骤一一的具体步骤如下：

3.根据权利要求1所述的基于注意力机制的遥感图像小目标检测方法，其特征在于所述步骤一二的具体步骤如下：

4.根据权利要求1所述的基于注意力机制的遥感图像小目标检测方法，其特征在于所述eiou损失函数公式如下：

5.根据权利要求1所述的基于注意力机制的遥感图像小目标检测方法，其特征在于所述步骤二的具体步骤如下：

6.根据权利要求5所述的基于注意力机制的遥感图像小目标检测方法，其特征在于所述focus结构的切片操作流程如下：首先将输入图像分成四个区域，每个区域大小为原图像大小的1/2，经过两个卷积层后，每个区域输出一个通道数为c/4的特征图；然后将四个特征图连接在一起，形成一个通道数为c的特征图；最终将此特征图送入网络的下一层进行处理。

技术总结
本发明公开了一种基于注意力机制的遥感图像小目标检测方法，所述方法包括如下步骤：步骤一、改进YOLOv5网络模型结构：在YOLOv5的骨干网络SPPF结构之前增加协同注意力机制，将目标位置信息有效地嵌入到模型通道注意力网络中；在骨干网络快速金字塔池化模块之后引入上下文转换器模块，更好地兼顾全局信息与上下文信息的提取；使用EIoU损失函数替换CIoU损失函数；步骤二、遥感图像小目标检测：利用步骤一改进的YOLOv5网络模型结构进行遥感图像小目标检测。本发明能够实现在遥感图像小目标居多情况下提升检测精度的目的。

技术研发人员：国强,关宇,戚连刚,高峰
受保护的技术使用者：哈尔滨工程大学
技术研发日：
技术公布日：2024/10/31