一种基于特征分离可变形卷积的飞行目标检测方法

本发明属于光学图像处理领域，涉及一种光学遥感图像检测方法，具体涉及一种基于特征分离可变形卷积的飞行目标检测方法。

背景技术：

1、目标检测技术已经发展了20多年，它为计算机视觉提供了一个非常重要的研究方向。目标检测技术已广泛应用于行人检测、人脸检测、文本检测、遥感检测等。目标检测的主要任务是在给定的图像中定位特定类别的目标，这是计算机视觉的基本任务之一。传统的目标检测思想可以概括为区域选择、手工特征提取和分类器分类。手工提取特征往往难以适应目标和场景的多样性，传统方法在复杂场景中对目标检测能力边界的扩展有限。

2、随着遥感技术的发展，遥感图像目标检测技术已广泛应用于民用和军用领域，而光学遥感图像飞机目标检测已成为遥感领域的重要研究课题。深度学习算法的引入、大规模数据集的发布以及高性能计算硬件的开发，将该领域的发展推向了新的里程碑，大量深度网络模型被应用于遥感图像目标检测任务当中。

技术实现思路

1、本发明的目的是提供一种基于特征分离可变形卷积的飞行目标检测方法，该方法面向飞行目标检测需求，将可变形卷积用于飞行中的飞机目标检测，提出了一种特征响应分离可变形卷积模块来改进yolov5模型，该模型鼓励检测模型向目标区域聚集采样点，提取更多与目标相关的信息，并减少来自目标周围背景的干扰，从而实现检测性能的提升。

2、本发明的目的是通过以下技术方案实现的：

3、一种基于特征分离可变形卷积的飞行目标检测方法，包括如下步骤：

4、步骤一：搜集包含飞行状态飞机目标的可见光遥感图像数据，建立训练数据集和测试数据集；

5、步骤二：在yolov5模型中引入可变形卷积，使用可变形卷积进行不规则采样，以减少规则采样过程中的背景干扰，具体步骤如下：

6、使用监督分支改进可变形卷积，得到frs-dcn模块，该模块位于检测模型的检测头之前，利用该模块实现特征分离，提升目标区域的特征提取能力，其中：所述frs-dcn模块的输入为检测头的原始输入，该输入通过一层1×1标准卷积后得到通道数为1的特征图，利用该特征图和语义分割标签计算损失，语义分割监督之后的输入经过3层标准的可变形卷积，获得输入检测头的特征图；

7、步骤三：使用超高斯函数用于语义分割标签生成，以减少硬标签引起的误差，其中：

8、超高斯函数的计算公式为：

9、

10、其中，dx和dy表示从像素点到边界框中心点的距离，γ大于1，表示目标边界框的平均宽度和高度；

11、步骤四：为了减少样本类别不平衡带来的负面影响，设计适合软标签的焦点损失来计算特征分离监督的损失，分支结构的监督损失计算公式为：

12、lbs＝|g-p|α((1-g)βlog(1-p)+gβlog(p))

13、其中，g为真实值，p为预测值，|g-p|α为调整系数；

14、整个损失函数表示为：

15、l＝λboxlbox+λobjlobj+λbslbs

16、其中，lbox是用于计算预测框和实际框之间差异的定位损耗，lobj是用于计算目标存在性的置信度损失，lbs是用于计算分支结构的监督损失；

17、步骤五：利用步骤一采集的数据集，对经过步骤二至步骤四改进后的检测模型yolo-frs进行训练和测试，完成遥感图像飞行状态飞机目标检测。

18、本发明立足于遥感图像飞行状态飞机目标检测，提出了一种用于飞行目标检测的yolo-frs模型，它使用了基于可变形卷积的新模块，即特征响应分离可变形卷积(frs-dcn)模块。该模块在堆叠的可变形卷积的基础上增加了语义分割监督，使该模块中可变形卷积输入中的背景和目标尽可能分离。此外，提出了一个飞行状态飞机目标数据集，该数据集包括多个背景和云干扰。具体创新性如下：

19、(1)基于飞行状态下飞机目标周围背景与目标之间相关性低的假设，引入可变形卷积进行不规则采样，以减少规则采样过程中的背景干扰。

20、(2)通过监督分支改进可变形卷积，实现特征分离，提升目标区域的特征提取能力。

21、(3)使用超高斯函数用于生成语义分割标签，以减少硬标签引起的误差，没有引入额外的手动标签成本。

22、(4)提出了一种新的飞行状态飞机目标数据集，该数据集包括多个飞机类别和场景类别，大约1/3的图像包含云干扰。

技术特征：

1.一种基于特征分离可变形卷积的飞行目标检测方法，其特征在于所述方法包括如下步骤：

2.根据权利要求1所述的基于特征分离可变形卷积的飞行目标检测方法，其特征在于所述步骤二的具体步骤如下：

3.根据权利要求1所述的基于特征分离可变形卷积的飞行目标检测方法，其特征在于所述步骤四中，超高斯函数的计算公式为：

4.根据权利要求3所述的基于特征分离可变形卷积的飞行目标检测方法，其特征在于所述的计算公式为：

5.根据权利要求1所述的基于特征分离可变形卷积的飞行目标检测方法，其特征在于所述步骤五中，分支结构的监督损失计算公式为：

技术总结
本发明公开了一种基于特征分离可变形卷积的飞行目标检测方法，所述方法包括如下步骤：一：建立训练数据集和测试数据集；二：使用可变形卷积进行不规则采样，以减少规则采样过程中的背景干扰；三：使用超高斯函数用于语义分割标签生成；四：设计适合软标签的焦点损失来计算特征分离监督的损失；五：对改进后的检测模型YOLO‑FRS进行训练和测试，完成遥感图像飞行状态飞机目标检测。本发明面向飞行目标检测需求，提出了一种特征响应分离可变形卷积模块来改进YOLOv5模型，该模型鼓励检测模型向目标区域聚集采样点，提取更多与目标相关的信息，并减少来自目标周围背景的干扰，从而实现检测性能的提升。

技术研发人员：杨旭,江世凯,俞利健,智喜洋,巩晋南,马思克
受保护的技术使用者：哈尔滨工业大学
技术研发日：
技术公布日：2024/2/29