(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210754167.1 (22)申请日 2022.06.28 (71)申请人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 陈禾　刘杉珺禹 　庄胤　陈亮　 (74)专利代理 机构 北京理工大 学专利中心 11120 专利代理师 郭德忠 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 自适应局部上下文嵌入的光学遥感小尺度 目标检测方法 (57)摘要 本发明公开了一种自适应局部上下文嵌入 的光学遥感小尺度目标检测方法， 一、 利用多尺 度优化沙漏特征提取网络， 对遥感图像的小尺度 目标进行特征提取； 二、 结合基于自适应局部上 下文嵌入算法和通道注意力算法， 对步骤一提取 的特征进行深度优化； 三、 使用步骤二生成的特 征图， 通过角点池化和中心点池化操作， 得到目 标的左上角点、 右下角点和中心点位置； 然后， 利 用交叉熵损失函数、 推 ‑拉损失函数来修正角点 和中心点坐标， 最终确定目标位置， 实现对整幅 图像的角点 ‑中心点的无锚框检测； 本发明能够 解决在大视场高分辨率光学遥感图像中对于小 尺寸目标的检测准确率和检测精度的问题。 权利要求书1页 说明书8页 附图3页 CN 115410089 A 2022.11.29 CN 115410089 A 1.自适应局部上下文嵌入的光学遥感小尺度目标检测方法， 其特征在于， 包括以下步 骤： 步骤一、 利用多尺度优化沙漏特 征提取网络， 对遥感图像的小尺度目标进行 特征提取； 步骤二、 结合基于自适应局部上下文嵌入算法和通道注意力算法， 对步骤一提取的特 征进行深度优化； 其中， 自适应局部上下文嵌入算法， 通过使用多尺度卷积核， 根据不同的输入自适应选 取具有最佳判别力的卷积核尺寸来捕获上下文信息； 通道注意力算法， 通过对特征图中每 个通道的聚合信息进 行筛选， 保留对目标检测有帮助的通道信息， 抑制冗余通道， 提高网络 检测性能； 之后， 将两者前后串联， 通过模拟人类视 觉特点， 生成具 备注意力集中的特 征图； 步骤三、 使用步骤二生成的特征图， 通过角点池化和中心点池化操作， 得到目标的左上 角点、 右下角点和中心 点位置； 然后， 利用交叉熵损失函数、 推 ‑拉损失函数来修正角点和中 心点坐标， 最终确定目标位置， 实现对整幅图像的角点 ‑中心点的无锚框检测。 2.如权利要求1所述的自适应局部上下文嵌入的光学遥感小尺度目标检测方法， 其特 征在于， 步骤一具体为： 通过借助跳层连接和多尺度聚合方式， 对沙漏网络中不同深度的特 征图进行 特征融合， 得到特 征提取结果。 3.如权利要求1或2所述的自适应局部上下文嵌入的光学遥感小尺度目标检测方法， 其 特征在于， 在步骤一中， 多尺度优化沙漏特征提取网络包括提取图像深层特征、 跳连接特征 融合、 多尺度特 征聚合三个部分。 4.如权利要求3所述的自适应局部上下文嵌入的光学遥感小尺度目标检测方法， 其特 征在于， 首先， 输入光学遥感图像， 经过图像预 处理后， 对图像深层特征进 行多尺度提取； 在 神经网络中， 由于浅层信息有助于小尺度目标检测， 因此采用跳连接的方式将浅层信息和 深层信息进 行特征融合， 得到不同尺度的特征图； 最后， 再将经过特征融合的不同尺度的特 征图进行多尺度聚合， 最终输出同时具 备浅层和深层特 征信息的特 征图。 5.如权利要求1所述的自适应局部上下文嵌入的光学遥感小尺度目标检测方法， 其特 征在于， 步骤二中的自适应局部上下文嵌入算法分为多尺度卷积捕获上下文信息、 自适应 选取卷积核最优尺 寸两个部 分； 首先， 输入步骤一的特征图， 利用多尺度卷积核捕获上下文 信息， 通过选取尺度为3*3、 5*5、 7*7、 …、 (2i+1)*(2i+1)的卷积核对输入特征图进行多尺度 卷积， 捕获不同尺度的上下文信息； 其次， 将卷积后结果叠加， 并对叠加后的结果进行注意 力机制筛选得到具有多尺度信息的一组特征描述符； 将不同尺度卷积分别与特征描述符相 乘， 选出合适的空间尺度信息， 将经过注意力机制筛选后的特征图相加求和， 得到自适应局 部上下文嵌入算法的输出 结果。权　利　要　求　书 1/1 页 2 CN 115410089 A 2自适应局部上下文 嵌入的光学遥感小尺度目标 检测方法 技术领域 [0001]本发明属于遥感图像目标检测技术领域， 具体涉及一种自适应局部上下文嵌入的 光学遥感小尺度目标检测方法。 背景技术 [0002]目标检测作为遥感图像解译和分析等任务的基本问题， 是图像分割、 图像描述、 目 标跟踪和场景理解等算法的基础。 目标检测通过利用计算机视觉算法， 搜索图像中是否存 在感兴趣目标， 并对目标 出现位置进行判断。 [0003]由于图像中的目标数量、 尺寸均不确定， 且往往要求对目标进行准确的定位， 因 此， 目标检测算法在计算机视觉中属于较为复杂的算法。 早期， 目标检测通常以传统的图像 处理方法为基础， 通过大量的人工 设计的特征， 对少数特定类别的目标进 行描述， 然后再利 用传统机器学习 方法完成目标检测。 自从卷积神经网络得到广泛应用后， 由于其具备强大 的特征提取和深度学习能力， 通用类别的目标检测性能和稳定性均得到 了显著的提升 。 [0004]目前， 在目标检测中， 对于生成目标候选区域的方法， 主要包括锚框方法和无锚框 方法。 而传统的目标检测算法大多是以有锚框方法为主， 通过使用一组具有不同尺度和比 例组合的矩形候选框生成目标的候选区域， 卷积神经网络对框内的区域是否包含目标进 行 判断， 若包含目标则确定其类别归属， 并将候选框回归到更精确的位置上， 但是， 这类方法 存在运算效率低、 数据冗杂等明显缺点， 当目标尺度较小， 或者当图像中目标尺度差异较大 时， 锚框的尺度不 好确定， 严重影响目标检测性能。 [0005]与锚框方法不 同， 无锚框方法没有显式的候选区域生成过程， 而是借助关键点和 特征线对目标进行建模， 使用编码和解码完成目标边框的回归， 可以避免锚框对目标尺寸 匹配度的限制， 改善正负样本不均衡的现象， 减少超参数 的引入， 降低复杂度， 可以提高对 遥感图像小尺度目标的检测性能。 但是， 现有的无锚框的方法仍具有一些局限性。 由于缺少 了人为加入的大量锚框， 一些基于 关键点检测的无锚框方法对特征图语义信息的丰富度具 有较高的要求； 另外， 现阶段无锚框方法主要应用在自然场景下。 针对光学遥感场景下目标 的尺度相对更小、 难以识别的问题， 无锚框方法的检测精度和准确度仍然具有较大 的提升 空间。 发明内容 [0006]有鉴于此， 本发明提供了一种自适应局部上下文嵌入的光学遥感小尺度目标检测 方法， 能够针对现有技术存在的不足和 缺陷， 解决在大视场高分辨率光学遥感图像中对于 小尺寸目标的检测准确率和检测精度的问题。 其中， 所述小尺寸目标， 通常是指图像像素大 于8*8像素且小于20 *20像素的目标图像。 [0007]实现本发明的技 术方案如下： [0008]一种自适应局部上 下文嵌入的光学遥感小尺度目标检测方法， 包括以下步骤： [0009]步骤一、 利用多尺度优化沙漏特征提取网络， 对遥感图像的小尺度目标进行特征说　明　书 1/8 页 3 CN 115410089 A 3