自适应局部上下文嵌入的光学遥感小尺度目标检测方法

技术特征：
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。

技术总结
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。尺寸目标的检测准确率和检测精度的问题。尺寸目标的检测准确率和检测精度的问题。


技术研发人员：陈禾 刘杉珺禹 庄胤 陈亮
受保护的技术使用者：北京理工大学
技术研发日：2022.06.28
技术公布日：2022/11/29