本發(fā)明屬于遙感圖像旋轉(zhuǎn)目標(biāo)檢測領(lǐng)域，旨在對遙感圖像中的目標(biāo)進(jìn)行分類與定位，具體為一種基于分頻特征細(xì)化的旋轉(zhuǎn)目標(biāo)檢測方法。

背景技術(shù)：

1、旋轉(zhuǎn)目標(biāo)檢測是遙感圖像處理中最基礎(chǔ)的任務(wù)之一，其目的是識別給定遙感圖像中的單個或多個特定目標(biāo)的類別并進(jìn)行精確定位。相比一般的目標(biāo)檢測，旋轉(zhuǎn)目標(biāo)檢測能夠提供目標(biāo)更準(zhǔn)確的方向和尺度信息，其在情報偵察、災(zāi)害監(jiān)測、城市規(guī)劃等領(lǐng)域發(fā)揮著重要作用，同時也是目標(biāo)跟蹤、圖像分割等任務(wù)的重要基礎(chǔ)。

2、目前，現(xiàn)有的旋轉(zhuǎn)目標(biāo)檢測技術(shù)大都是基于深度學(xué)習(xí)來實現(xiàn)的。基于深度學(xué)習(xí)的旋轉(zhuǎn)目標(biāo)檢測技術(shù)主要分為兩大類：基于卷積的旋轉(zhuǎn)目標(biāo)檢測和基于transformer的旋轉(zhuǎn)目標(biāo)檢測。基于卷積的旋轉(zhuǎn)目標(biāo)檢測方法通過預(yù)設(shè)錨點和先驗框或直接預(yù)測關(guān)鍵點的方式，使用卷積提取特征，有效捕捉圖像中的空間局部信息?；趖ransformer的旋轉(zhuǎn)目標(biāo)檢測方法引入自注意力增強(qiáng)特征表示能力，擴(kuò)大圖像感受野，建模全局關(guān)系，實現(xiàn)遠(yuǎn)距離信息融合。

3、盡管遙感圖像旋轉(zhuǎn)目標(biāo)檢測取得了顯著進(jìn)展，但仍面臨挑戰(zhàn)。純卷積方法僅提取局部特征，而transformer雖能建模全局依賴關(guān)系，卻缺乏局部信息提取能力，影響檢測精度。遙感圖像場景復(fù)雜，目標(biāo)尺度多樣且分布不均，密集排列的車輛、船舶等易受遮擋和相互干擾，增加檢測難度。此外，橋梁、港口等目標(biāo)寬高比大，角度偏差會導(dǎo)致交并比(intersection?over?union,iou)驟降，而分類與回歸獨立訓(xùn)練引發(fā)分類回歸不一致，影響檢測性能。因此，當(dāng)前需要一種新的旋轉(zhuǎn)目標(biāo)檢測方法，解決以上問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明旨在解決遙感圖像旋轉(zhuǎn)目標(biāo)檢測中因特征提取不足、場景復(fù)雜度高及目標(biāo)分布不均帶來的檢測精度下降問題。特別是針對寬高比較大的目標(biāo)，其角度偏差易導(dǎo)致iou下降，以及分類與回歸不一致問題，影響預(yù)測框的質(zhì)量評估。

2、為了解決上述問題，本發(fā)明提供了一種基于分頻特征細(xì)化的旋轉(zhuǎn)目標(biāo)檢測方法。該方法包括以下步驟：

3、1)對大小為h×w×3的遙感圖像提取初始特征x，作為分頻模塊的輸入。特征提取部分由兩個3×3的深度可分離卷積組成；

4、2)分頻模塊對輸入特征進(jìn)行處理，分別得到高頻特征、低頻特征、完整特征；

5、3)基于步驟2)得到的分頻特征輸入特征交互模塊增強(qiáng)特征的多層次信息表達(dá)。該模塊由位置感知注意力塊、自聚焦transformer塊和上下文transformer塊組成，分別對高頻特征、低頻特征和完整特征提取局部特征、全局特征和上下文特征。再將這三者按通道進(jìn)行拼接，使用1×1的卷積進(jìn)行融合；

6、4)步驟2)和步驟3)的分頻模塊與特征交互模塊被重復(fù)執(zhí)行四次，完成四階段的特征細(xì)化過程。再使用特征金字塔網(wǎng)絡(luò)(feature?pyramid?network,fpn)提取多尺度特征，并經(jīng)過候選區(qū)域生成網(wǎng)絡(luò)(region?proposal?network,rpn)和感興趣區(qū)域(regionofinterest,roi)對齊，得到最終的檢測特征；

7、5)最后，將檢測特征輸入檢測頭，分別通過分類分支和回歸分支完成目標(biāo)的類別判別和精確定位，從而得到最終的檢測結(jié)果。分類分支使用兩個全連接層，回歸分支使用兩個卷積層，并設(shè)計樣本協(xié)同調(diào)優(yōu)損失對模型進(jìn)行訓(xùn)練。

8、本發(fā)明的優(yōu)點是：首先，本發(fā)明提出四階段分頻特征細(xì)化過程，設(shè)計位置感知注意力塊、自聚焦transformer塊和上下文transformer塊，解決了復(fù)雜背景環(huán)境下特征提取不足和上下文信息丟失的問題。其次，本發(fā)明提出了樣本協(xié)同調(diào)優(yōu)損失，解決了分類分支和回歸分支獨立計算的問題。

技術(shù)特征：

1.一種基于分頻特征細(xì)化的旋轉(zhuǎn)目標(biāo)檢測方法，其特征在于，對給定的遙感圖像，進(jìn)行如下操作：

2.根據(jù)權(quán)利要求1所述的一種基于分頻特征細(xì)化的旋轉(zhuǎn)目標(biāo)檢測方法，其特征在于，所述步驟2)中分頻模塊具體為：

3.根據(jù)權(quán)利要求1所述的一種基于分頻特征細(xì)化的旋轉(zhuǎn)目標(biāo)檢測方法，其特征在于，所述步驟3)中的特征交互模塊具體為：

4.根據(jù)權(quán)利要求1所述的一種基于分頻特征細(xì)化的旋轉(zhuǎn)目標(biāo)檢測方法，其特征在于，所述步驟5)中樣本協(xié)同調(diào)優(yōu)損失具體為：

技術(shù)總結(jié)
本發(fā)明公開了一種基于分頻特征細(xì)化的旋轉(zhuǎn)目標(biāo)檢測方法，首先對輸入圖像進(jìn)行初始特征提?。蝗缓?，進(jìn)行四階段的局部特征、全局特征和上下文特征的分頻特征細(xì)化，既關(guān)注圖像關(guān)鍵位置信息，建模全局關(guān)系，又提取周圍環(huán)境信息作為補(bǔ)充，增強(qiáng)模型對信息的捕獲能力；最后，利用檢測頭對目標(biāo)進(jìn)行分類與定位，并設(shè)計樣本協(xié)同調(diào)優(yōu)損失，自適應(yīng)調(diào)整模型對正負(fù)樣本的重視程度，進(jìn)一步提升模型的檢測精度。本發(fā)明解決了過去遙感圖像旋轉(zhuǎn)目標(biāo)檢測特征提取能力不足，場景復(fù)雜導(dǎo)致目標(biāo)間干擾和遮擋，以及目標(biāo)特性對定位敏感等問題。本發(fā)明適用于復(fù)雜環(huán)境下的遙感圖像的旋轉(zhuǎn)目標(biāo)檢測任務(wù)，檢測準(zhǔn)確率高，魯棒性好。本發(fā)明在旋轉(zhuǎn)目標(biāo)檢測領(lǐng)域有著廣泛的應(yīng)用。

技術(shù)研發(fā)人員：付利華,劉雯雯,李國放,黃偉進(jìn)
受保護(hù)的技術(shù)使用者：北京工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/6/30