基于YOLOX网络的遥感影像点状独立房检测方法及系统

本发明涉及遥感影像目标识别，特别涉及一种基于yolox网络的遥感影像点状独立房检测方法及系统。

背景技术：

1、航空航天遥感影像的目标检测在地形图测绘、城市规划等方面具有重要的应用价值。遥感影像能够清晰地看见山脉、湖泊、房屋、街道，可客观、动态、真实反映生产、生活和生态空间的时空信息，已成为地形图测绘、城市规划、地震灾害风险预估等方面的基础数据资源。基于遥感影像的房屋识别可快速摸清房屋分布与数量，能够在宏观上为地形图测绘、城市规划、地震灾害风险预估等提供快捷、可靠数据来源。与传统的自然图像不同，遥感影像中的大量目标信息较为破碎，背景更加复杂，从而导致特征图上干扰信息多，个别点状独立房等地物目标分布零散，加剧遥感图像目标检测难度。经典的传统算法在目标分割分类上的效果不佳，复杂条件下精度低、易漏检。

2、深度学习技术可用于解决遥感图像目标检测问题，且在多个开源目标数据集上的检测效果已远超传统算法，但卷积神经网络算法在实际应用方面还存在一些问题，如多尺度特征提取中，对高层特征图中的弱小特征加强提取不足，目标细节化特征和语义化作用发挥不明显；密集目标检测中，无法对重合目标的数量和比例进行准确的分析回归；模型网络过饱和引起梯度消失和过拟合泛化性差等，使得深度学习算法检测的精度难以满足点状独立房等分布零散地物目标遥感影像检测的实际需求，针对不同类型的检测对象泛化能力和识别精度仍需提高。

技术实现思路

1、为此，本发明提供一种基于yolox网络的遥感影像点状独立房检测方法及系统，提升多尺度特征识别和细粒度特征表达能力，在点状独立房等分布零散且小尺度的地物目标遥感影像检测具有一定的通用性。

2、按照本发明所提供的设计方案，提供一种基于yolox网络的遥感影像点状独立房检测方法，包含：

3、对收集的点状独立房影像数据集中的农村或山区居民地区域单体建筑房屋进行标签标注，并通过样本增强方式对标签标注后的数据集进行扩充，得到点状独立房影像样本集；

4、基于yolox网络构建点状独立房目标检测模型，并建立模型训练的目标损失函数，其中，点状独立房目标检测模型中以残差网络和focus模块为主干网络、以panet网络为特征金字塔提取网络并以解耦合头decoupledhead为yolohead检测网络，目标损失函数使用swish激活函数；

5、利用点状独立房影像样本集并基于建立的目标损失函数对点状独立房目标检测模型进行训练优化，得到训练后的点状独立房目标检测模型；

6、将待检测的遥感影像数据输入至训练后的点状独立房目标检测模型，利用训练后的点状独立房目标检测模型获取遥感影像单体建筑房屋目标。

7、作为本发明基于yolox网络的遥感影像点状独立房检测方法，进一步地，通过样本增强方式对标签标注后的数据集进行扩充，包含：

8、首先，遍历数据集对应的单体建筑房屋标签并对该标签类别属性的单体建筑房屋目标进行赋值；

9、接着，读取数据集中每个图像及其对应的标注标签信息，将图像数据转换为rgb图像；并通过读取图像宽高和标注目标宽高来框定待增强的样本图像范围；

10、然后，将不同影像数据按比例混合，并通过样本增强方式对框定的样本图像进行扩充处理，其中，样本增强方式包含：几何变换、颜色变换和离散插值采样。

11、作为本发明基于yolox网络的遥感影像点状独立房检测方法，进一步地，通过样本增强方式对标签标注后的数据集进行扩充，还包含：对数据集中图像的居民地区域进行特征增强来增强感兴趣区域视觉显著性。

12、作为本发明基于yolox网络的遥感影像点状独立房检测方法，进一步地，对数据集中图像的居民地区域进行特征增强来增强感兴趣区域视觉显著性，包含：

13、首先，通过边缘检测提取数据集图像中感兴趣区域居民地信息的纹理特征分量，利用高斯函数将纹理特征分量转化为显著性特图；

14、然后，根据显著性特图对居民地区域进行估计，将估计得到的显著性热土以自适应参数倍率融合到原图像上，以原图像中感兴趣的居民地区域进行分层增强并减弱非感兴趣区域效应。

15、作为本发明基于yolox网络的遥感影像点状独立房检测方法，进一步地，点状独立房目标检测模型中以残差网络和focus模块为主干网络、以panet网络为特征金字塔提取网络并以解耦合头decoupledhead为yolohead检测网络，包含：特征金字塔提取网络中的panet网络，利用自适应空间特征融合网络并依托每一层的权重参数与提取特征相乘相加进行特征映射融合，过滤其他层特征并保留关键局部区域信息，以提取输入图像的细粒度特征；并在残差网络和panet网络中嵌入局部跨通道交互eca注意力模块，利用局部跨通道交互eca注意力模块强化居民地区域特征信息。

16、作为本发明基于yolox网络的遥感影像点状独立房检测方法，进一步地，利用自适应空间特征融合网络并依托每一层的权重参数与提取特征相乘相加进行特征映射融合的过程表示为：其中，表示像素点(i，j)处的特征从第1层、第2层和第3层分别变换到第l层后得到的特征图，为像素点(i，j)第l层特征图学习到的对应参数权重，且为像素点(i，j)第l层自适应空间特征映射融合后得到的新特征图。

17、作为本发明基于yolox网络的遥感影像点状独立房检测方法，进一步地，利用局部跨通道交互eca注意力模块强化居民地区域特征信息，包含：利用对角线元素互异的参数矩阵wk学习通道注意力，使各通道间完全独立；并使用分组卷积对高低维通道分组，以降低模型训练过程中共同学习参数复杂度，且利用卷积核大小和通道维度来自适应优化局部跨通道交互覆盖范围，其中，自适应优化局部跨通道交互覆盖范围的过程表示为k表示卷积核大小，c表示通道维度大小，|*|odd为距离最近的奇数，γ、b为预设的自适应比例常数。

18、作为本发明基于yolox网络的遥感影像点状独立房检测方法，进一步地，目标损失函数使用swish激活函数，所述swish激活函数表示为s(x)＝x·σ(g(x))，其中，x为输入数据，g(x)为卷积层输出，σ(·)表示sigmoid函数。

19、进一步地，本发明还提供一种基于yolox网络的遥感影像点状独立房检测系统，包含：样本集建立模块、检测模型构建模块和目标检测模块，其中，

20、样本集建立模块，用于对收集的点状独立房影像数据集中的农村或山区居民地区域单体建筑房屋进行标签标注，并通过样本增强方式对标签标注后的数据集进行扩充，得到点状独立房影像样本集；

21、检测模型构建模块，用于基于yolox网络构建点状独立房目标检测模型，并建立模型训练的目标损失函数，其中，点状独立房目标检测模型中以残差网络和focus模块为主干网络、以panet网络为特征金字塔提取网络并以解耦合头decoupledhead为yolohead检测网络，目标损失函数使用swish激活函数；利用点状独立房影像样本集并基于建立的目标损失函数对点状独立房目标检测模型进行训练优化，得到训练后的点状独立房目标检测模型；

22、目标检测模块，用于将待检测的遥感影像数据输入至训练后的点状独立房目标检测模型，利用训练后的点状独立房目标检测模型获取遥感影像单体建筑房屋目标。

23、本发明的有益效果：

24、本发明针对大尺寸遥感影像中点状房屋的提取，考虑到点状房屋的分布较为零散、且在较小尺度影像上语义结构化特征不清晰的特征，基于yolox网络构建一种适用于农村或山区点状单体建筑房屋的目标检测模型，在减少参数量的同时保持模型的鲁棒性和泛化性能；利用公开的遥感影像数据集并通过标签标注和样本增强来获取模型训练用高质量的样本数据，能够使模型充分学习农村或山地居民地特征信息，有效提取点状独立房中稳健不变的特征，减少其他干扰因素的影响，提升检测稳定性。并进一步通过实验数据表明，本案方案在算法设计、复杂背景信息下均具有优越的检测性能，可适用于遥感影像点状独立房提取和房屋分布检测，为测绘生产提供有力支撑。