面向遥感图像小目标检测的高级尺度感知注意力增强方法

本发明涉及遥感图像处理，尤其涉及面向遥感图像小目标检测的高级尺度感知注意力增强方法。

背景技术：

1、遥感图像目标检测专注于精准的目标分类与定位，在军事侦察、海上救援、环境监测和城市规划等领域中具有重要的应用意义。得益于深度学习的迅速进步，过去十年遥感图像目标检测取得了显著的成果。然而，典型方法在检测微小尺寸目标与正常尺寸目标时存在巨大性能差异，主要因为小目标特征表示缺乏且遥感场景背景复杂，对现有方法提出了新的挑战。

2、目前，深度学习算法因其具有强大的特征表示能力，已被广泛应用于遥感目标检测任务中。研究人员提出了多种解决方案来应对小目标检测的挑战，例如多尺度融合、注意力机制和超分辨率辅助。然而，基于传统cnn的目标检测算法的性能受到cnn的内在局部性和权重共享特性的限制。cnn的局部性削弱了特征提取器捕捉长距离依赖关系的能力。此外，传统的基于cnn的检测方法需要手动创建锚框或预测建议，以及非最大值抑制等复杂的后期处理技术，这会导致额外的计算和延迟，从而显著影响检测器的性能。

3、相比之下，基于transformer的检测器detr将目标检测任务视为直接的集合预测问题。detr的变体因其在目标检测任务中的出色表现而迅速获得关注。一方面，transformer具有强大的长距离特征提取能力，可以有效捕捉遥感图像中独特的形状和纹理。另一方面，transformer的端到端流水线设计消除了手动设计的需要并减少了对后处理的依赖，从而提高了模型效率。尽管detr变体具有众多优势，但研究人员在微小目标方面仍然遇到挑战。关于微小目标的有限信息可能会在自注意力操作期间被掩盖，导致微小目标的特征被背景污染，即前景-背景混淆。

4、传统方法通过通道或空间注意机制来提高特征的可分辨性，从而提高检测性能。然而，这些传统方法通常依赖于单一尺度表示，限制了它们捕捉小目标不同尺度和复杂细节的能力，特别是在复杂背景中。这种局限性阻碍了它们的有效性，因为单一尺度注意力无法充分区分小目标与其周围环境。因此，为了获得面向遥感图像小目标的高精度检测模型，迫切需要更高级的方法，能够有效地利用多尺度信息来增强特征识别，而不会产生大量的计算开销。

技术实现思路

1、基于此，有必要针对上述技术问题，提供面向遥感图像小目标检测的高级尺度感知注意力增强方法。

2、面向遥感图像小目标检测的高级尺度感知注意力增强方法，包括以下步骤：

3、获取输入特征，根据预设标准将所述输入特征进行分类，得到若干子特征；

4、获取预设张量形状，按照预设张量形状将所述若干子特征分为若干组，得到子特征组；

5、获取分支注意力提取网络，以所述子特征组为输入通过所述分支注意力提取网络，得到空间注意力图；

6、获取增强网络，以所述空间注意力图为输入通过所述增强网络，得到增强目标。

7、在其中一个实施例中，获取输入特征，根据预设标准将所述输入特征进行分类，得到若干子特征包括：

8、获取输入的遥感图像，将所述遥感图像输入进特征提取生成器，得到输入特征；

9、将所述输入特征在通道维度下分组，得到若干子特征。

10、在其中一个实施例中，还包括：

11、所述特征提取生成器为resnet50骨干特征提取器。

12、在其中一个实施例中，还包括：

13、所述预设张量形状如下所示：

14、(c//g,h,w)

15、其中，c//g表示颜色通道的数量，h表示图像的高度，w表示图像的宽度。

16、在其中一个实施例中，分支注意力提取网络包括：第一分支结构、第二分支结构和第三分支结构；

17、所述第一分支结构包括第一子路径和第二子路径，所述第一子路径在(h,c)方向上应用多方向注意力门，所述第二子路径在(w,c)方向上应用多方向注意力门；通过注意力门连接所述第一子路径和所述第二子路径的特征，然后将输出分解为两个向量，并在线性卷积上使用两个sigmoid函数进行拟合，从而获得第一输出空间注意力图；

18、所述第二分支结构使用3x3卷积核处理所述子特征组，得到第二输出空间注意力图；

19、所述第三分支结构使用5x5卷积核处理所述子特征组，得到第三输出空间注意力图；

20、所述输出空间注意力图包括所述第一输出空间注意力图、所述第二输出空间注意力图和所述第三输出空间注意力图。

21、在其中一个实施例中，获取增强网络，以所述空间注意力图为输入通过所述增强网络，得到增强目标之前还包括：

22、对所述输出空间注意力图通过高级尺度感知注意力增强进行特征强化，得到强化后的空间注意力图：

23、f3,f4,f5＝asa(s3,s4,s5)

24、其中，所述asa()表示高级尺度感知注意力增强方法，s3表示第一输出空间注意力图，s4表示第二输出空间注意力图，s5表示第三输出空间注意力图，f3表示强化后的第一输出空间注意力图，f4表示强化后的第二输出空间注意力图，f5表示强化后的第三输出空间注意力图。

25、在其中一个实施例中，获取增强网络，以所述空间注意力图为输入通过所述增强网络，得到增强目标包括：

26、以空间注意力图为输入，将所述第一输出空间注意力图、所述第二输出空间注意力图和所述第三输出空间注意力图通过元素级乘法进行组合；

27、所述第一输出空间注意力图、所述第二输出空间注意力图和所述第三输出空间注意力图的聚合特征进行两两组合，通过应用sigmoid函数得到输出结果；

28、将所述输出结果与所述子特征相乘得到增强目标。

29、面向遥感图像小目标检测的高级尺度感知注意力增强系统，用于实现如上所述的面向遥感图像小目标检测的高级尺度感知注意力增强方法，包括：

30、分类模块，用于获取输入特征，根据预设标准将所述输入特征进行分类，得到若干子特征；

31、分组模块，用于获取预设张量形状，按照预设张量形状将所述若干子特征分为若干组，得到子特征组；

32、提取模块，用于获取分支注意力提取网络，以所述子特征组为输入通过所述分支注意力提取网络，得到空间注意力图；

33、增强模块，用于获取增强网络，以所述空间注意力图为输入通过所述增强网络，得到增强目标。

34、一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述各个实施例中所述的面向遥感图像小目标检测的高级尺度感知注意力增强方法的步骤。

35、一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述各个实施例中所述的面向遥感图像小目标检测的高级尺度感知注意力增强方法的步骤。

36、相比于现有技术，本发明的优点及有益效果在于：本发明能够提出了一种高级尺度感知注意力增强方法，通过利用不同感受野的空间和通道注意力来改善特征表示，在遥感图像中有效检测微小目标。通过大量实验验证，本发明的方法在检测性能上表现出显著改善，展现了应对遥感微小目标检测挑战的潜力。本发明通过将信道重组为批量维度，并将其细分为多个子特征，在保留基本信道信息的同时最大限度地减少了计算开销。并设计多个分支跨维度协同互动，准确捕捉像素级关系，这种创新的方法可以有效地处理不同尺度和方向的特征，从而提高小目标的检测精度。