(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 202211001673.X (22)申请日 2022.08.19 (71)申请人 中国人民解 放军军事科学院系统工 程研究院 地址 100141 北京市丰台区大成路13号 (72)发明人 周旗开　牛福　张伟　王进　 甄曙辉　杨瑞峰　侯珽　程旺迟　 李睿智　高妍　 (74)专利代理 机构 北京丰浩知识产权代理事务 所(普通合伙) 11781 专利代理师 姜丽丽 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01)G06V 10/762(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于参数优化的遥感图像目标检测方法 (57)摘要 本发明公开了一种基于参数优化的遥感图 像目标检测方法， 包括： 获取光学遥感图像信息； 确定用于遥感图像目标检测的锚定框， 利用遥感 目标检测模型对所述光学遥感图像信息进行定 位识别处理， 得到输出特征图信息集合； 所述输 出特征图信息集合包括若干个输出特征图信息； 对所述输 出特征图信息集合进行后处理， 得到目 标图像检测 信息集合。 本发明在 主干特征提取网 络和特征融合网络中， 通过分组卷积的操作构建 了更适合于计算机视觉的计算单元， 通过参数优 化来选择锚定框， 解决了 现有锚定框检测方法使 聚类结果出现偏差， 导致锚定框的选择存在较大 偏差， 影响了图像检测的成功率的问题， 优化了 模型的遥感目标检测能力。 权利要求书3页 说明书9页 附图2页 CN 115359366 A 2022.11.18 CN 115359366 A 1.一种基于参数优化的遥感图像目标检测方法， 其特 征在于， 所述方法包括： 获取光学遥感图像信息； 所述 光学遥感图像信息包括若干张光学遥感图； 确定用于遥感图像目标检测的锚定框， 利用遥感 目标检测模型对所述光学遥感图像信 息进行定位识别处理， 得到输出特征图信息集合； 所述输出特征图信息集合包括若干个输 出特征图信息； 对所述输出特征图信息集合进行后处理， 得到目标图像检测信息集合； 所述目标图像 检测信息集 合包括若干个目标图像 检测信息 。 2.如权利要求1所述的基于参数优化的遥感图像目标检测方法， 其特征在于， 所述方法 包括： 所述遥感目标检测模型由输入至输出方向依次包括输入端、 主干特征提取网络、 特征 融合网络和输出端。 3.如权利要求1所述的基于参数优化的遥感图像目标检测方法， 其特征在于， 所述方法 包括： 所述的确定用于遥感图像目标检测的锚定框， 锚定框通过对遥感目标检测模型的训练 数据集进行自动学习获得， 其 步骤包括： S1， 从训练数据集X中随机选取K个点， 作为初始聚类中心， 每个初始聚类中心对应一个 类别并作为其对应类别的聚类中心， 聚类中心的集合表示为C＝{c1,c2,...,ck}， 其中ci代 表第i个类别的聚类中心； S2， 对于训练数据集X中的每个样本数据xi， 计算出它与当前各个的聚类中心之间的最 短距离D(xi)， 并将该 数据样本xi归入与其具有最短距离的聚类中心所对应的类别中； S3， 计算每 个样本数据下一次被选为聚类中心的概 率， 其计算公式为： 其中， P(xi)为样本数据 xi下一次被选为聚类中心的概率； 根据所有概率的取值， 将区间 [0,1]划分为互不重叠的若干个概率取值区间， 每个概率取值区间对应一个样本数据下一 次被选为聚类中心的概 率取值； S4， 随机产生出一个[0,1]之间的随机数， 根据步骤S3得到的概率取值区间， 判断该随 机数所属的概率取值区间， 选择该所属的概率取值区间对应的样本数据， 将该数据样本作 为其对应类别的聚类中心； S5， 重复步骤S2至S4， 直至所选出的K个聚类中心的位置的变化量小于某预设值， 完成 对训练数据集X的聚类， 将每一类别中的所有数据的取值 边界， 作为 一个锚定 框。 4.如权利要求2所述的基于参数优化的遥感图像目标检测方法， 其特征在于， 所述方法 包括： 所述的主干特征提取网络包括下采样模块、 特征提取模块、 残差模块、 空间金字塔池化 模块； 主干特 征提取网络用于提取光学遥感图像信息的特 征。 5.如权利要求4所述的基于参数优化的遥感图像目标检测方法， 其特征在于， 所述方法 包括： 所述的下采样模块用于将预处理后的光学遥感图像信息在图像的纵向和横向分别进权　利　要　求　书 1/3 页 2 CN 115359366 A 2行间隔切片操作， 得到离散切片信息， 再对离散切片信息进 行拼接， 最后对拼接后的信息进 行卷积， 得到第一映射特 征； 所述的特征提取模块用于对第一映射特征依次进行二维卷积、 归一化和激活层操作， 得到第二映射特 征； 所述的残差模块包括若干个经典残差结构， 残差模块用于对其输入的第 二映射特征进 行卷积层操作， 将经过卷积层操作后得到值与第二映射特征原始值进行相加操作， 得到第 三映射特 征， 从而实现在不增 加输出深度的同时完成残差特 征传递； 所述的空间金字塔池化模块用于对第三映射特征进行若干种不同尺寸的最大池化操 作， 然后将最大池化操作的结果进行拼接操作， 得到光学遥感图像的图像特 征。 6.如权利要求5所述的基于参数优化的遥感图像目标检测方法， 其特征在于， 所述方法 包括： 所述的特征融合网络， 包括特征金字塔结构和路径聚合网络结构， 用于实现光学遥感 图像的不同层级的图像特 征的融合； 所述的特征金字塔结构， 由输入至输出端， 依次包括上下文转换模块、 特征提取模块和 上采样模块； 由上下文转换模块输出的特征经过特征提取模块， 再经过上采样模块后， 得到 第四映射特征， 将第四映射特征与主干特征提取网络中残差模块输出的第三映射特征进 行 拼接， 得到第五映射特征， 将第五映射特征作为特征金字塔结构的输出； 所述的路径聚合网 络结构， 由输入至输出端， 依次包括输入模块、 残差模块、 特征提取模块和上下文转换模块， 输入模块接收特征金字塔结构所输出的第五映射特征， 再使其分别通过残差模块和特征提 取模块， 得到第六映射特征， 将第六映射特征与特征金字塔结构 中的特征提取模块的输出 进行拼接， 得到第七映射特征， 将第七映射特征依次经过残差模块和特征提取模块后， 得到 的特征与特征金字塔结构的特征提取模块的输出进行拼接后， 得到的拼接特征再经过上下 文转换模块， 得到 输出特征图信息集 合。 7.如权利要求6所述的基于参数优化的遥感图像目标检测方法， 其特征在于， 所述方法 包括： 所述的上下文转换模块， 同时实现了上下文信息挖掘和自注意力学习集成功能， 并通 过充分利用相 邻遥感图像的目标之 间的上下文信息来促进自注意力学习， 增强输出特征图 的表达能力； 上下文转换模块对遥感图像 分割得到的k ×k个图片网格内的所有相 邻键进行 上下文编码， 以获得具有静态上下文信息的特征矩阵K1， 将K1与Q空间进行拼接， 再对拼接结 果进行连续的两次1 ×1卷积操作， 从而获取到 了静态的上 下文注意矩阵A， 其计算过程 为： A＝[K1,Q]WθWδ， 上式中， Wθ为第一次1 ×1卷积操作矩阵， Wδ为第二次1 ×1卷积操作矩阵； 上下文转换模块对于上下文注意矩阵A， 与经过1 ×1卷积的矩阵V相乘， 从而得到了具 有动态上 下文信息的特 征图矩阵K2， 其计算过程 为： K2＝Conv1×1(V)A， 其中， Conv1×1(V)表示经 过1×1卷积的矩阵V； 上下文转换模块将K2与K1进行融合， 得到具有全局信息和 局部信息的输出矩阵Y 。 8.如权利要求2所述的基于参数优化的遥感图像目标检测方法， 其特征在于， 所述方法 包括：权　利　要　求　书 2/3 页 3 CN 115359366 A 3