买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨工业大学

摘要：本发明公开了一种基于自适应多层级融合的遥感图像小尺度面目标检测方法，所述方法包括如下步骤：步骤1：使用主干特征提取网络提取输入图像的浅层和深层的多层级特征图，下采样层级分别为4、8、16、32倍；步骤2：使用自适应融合权重的多层次特征提取架构实现对步骤1中不同下采样级数特征的融合；步骤3：选用融合后的下采样级数为4倍和8倍的高分辨率特征层进行目标位置和类别信息的预测，得到最终的检测结果。该方法能够实现对不同层级中语义和结构信息的有效融合，提高网络对小尺度目标的特征提取和检测定位能力，有效减少场景中虚警源对目标检测的干扰，从而实现遥感图像小尺度目标的高检测率、低虚警率的检测。

主权项：1.一种基于自适应多层级融合的遥感图像小尺度面目标检测方法，其特征在于所述方法包括如下步骤：步骤1：使用主干特征提取网络提取输入图像的浅层和深层的多层级特征图，下采样层级分别为4、8、16、32倍；步骤2：使用自适应融合权重的多层次特征提取架构实现对步骤1中不同下采样级数特征的融合，具体步骤如下：融合通过自顶向下和自底而上的路径分别传递高层级语义和低层级定位信息，在自顶向下的融合路径中，对于第n个层级的特征图Fn，其长、宽、通道数目记为H,W,C，需要融合第n+1个更深层级的特征图Fn+1，其长、宽、通道数目记为H2,W2,C；步骤2-1：利用CARAFE上采样算子实现深层级特征图上采样以实现语义信息的聚合，具体步骤如下：对Fn+1进行上采样以实现语义信息的聚合，得到高层级特征图其长、宽、通道数目记为H,W,C；步骤2-2：基于深层级特征监督的浅层级特征图修正，具体步骤如下：以高层级特征图作为监督对浅层级特征图Fn进行微调，通过高层级语义特征修正富含噪声的低层级特征，通过Sigmoid非线性激活函数处理得到修正权值图，再将其施加到浅层级特征图Fn上，得到低层级特征图步骤2-3：基于空间维和通道维特征显著性结合广播机制自适应生成逐点融合权重，实现对深层和浅层特征的融合，具体步骤如下：步骤2-3-1：高层级和低层级特征图沿通道维拼接，具体步骤如下：沿通道维拼接低层级特征图和高层级特征图得到拼接特征图FnC，以用于后续的通道显著性和空间显著性生成；步骤2-3-2：基于空间特征图池化和全连接神经网络生成通道显著，具体步骤如下：首先通过空间池化聚合FnC中的全局信息，再通过全连接神经网络学习通道之间的依赖关系，记作：ωc＝fFCNAvePoolFnC；式中，AvePool·为平均池化，fFCN·为全连接层，ωc为生成的通道显著性，维度为1,1,C；步骤2-3-3：基于1×1卷积和3×3卷积生成空间显著性，具体步骤如下：通过1×1卷积调整FnC通道，再利用3×3卷积聚合通道维度信息以生成空间显著性，记作：ωs＝conv3×3conv1×1FnC；式中，conv3×3和conv1×1分别代表3×3卷积和1×1卷积，ωs为生成的空间显著性，维度为H,W,1；步骤2-3-4：基于广播机制生成逐点融合权重，具体步骤如下：通道显著性和空间显著性的维度不相同，但是通过广播机制相加可以生成维度为H,W,C的逐点显著性，再利用Sigmoid非线性激活函数可以得到融合权重ω，记作：ω＝σωc+ωs；步骤2-3-5：基于自适应生成的融合权重，对深层级特征和浅层级特征加权融合，具体步骤如下：基于生成的自适应融合权重，对低层级特征图和上采样高层级特征图进行融合，得到第n层级的特征融合结果步骤3：选用融合后的下采样级数为4倍和8倍的高分辨率特征层进行目标位置和类别信息的预测，得到最终的检测结果。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 基于自适应多层级融合的遥感图像小尺度面目标检测方法