本發(fā)明涉及遙感圖像處理，更具體的說是涉及一種基于層級特征相似性計算的遙感圖像目標檢測方法及系統(tǒng)。

背景技術：

1、遙感圖像艦船目標檢測技術一直以來都是遙感領域的研究重點之一，其在海洋安全、航道監(jiān)測、空間規(guī)劃等領域具有廣泛的應用前景；由于海面環(huán)境復雜，這使得遙感圖像艦船目標檢測任務極具難點和挑戰(zhàn)。

2、早期的遙感圖像艦船目標檢測方法主要基于視覺顯著性和模板匹配等，這類方法針對特定場景設置，在面對復雜海洋場景背景與環(huán)境噪聲時，性能不佳，對艦船目標檢測魯棒性不足。

3、目前基于深度學習的遙感圖像艦船目標檢測方法基于特征提取算子自動的提取遙感圖像的多層級特征圖，挖掘艦船目標的深層特征信息，并經過特征融合后進行準確預測，展現(xiàn)出良好的精度表現(xiàn)；在深度學習模型提取的特征圖中，淺層特征圖往往包含豐富的局部紋理細節(jié)特征(如顏色、紋理)，這些信息有助于模型理解遙感目標的外在表征，進而理解圖像內容；而深層特征圖往往包含全局語義特征，包含了與圖像中對象和場景相關的高級抽象信息，這些信息涵蓋了對象的類別、形狀、結構以及它們在環(huán)境中的位置和關系，有助于模型理解遙感目標的深層本質表征，對于正確識別和定位遙感圖像中的潛在的目標對象至關重要。

4、但是，遙感圖像具有成像背景復雜，目標尺度變化劇烈的特性，常規(guī)的艦船目標檢測模型在特征解耦階段無法對不同層級的特性信息進行精細化的處理，因此在導致許多有價值的目標信息在解譯階段被丟失，難以實現(xiàn)精確的艦船目標檢測。

5、因此，如何精細化的處理淺層特征和深層特征，以在解耦階段充分挖掘不同層級的特征信息，實現(xiàn)對遙感圖像艦船目標的精確定位是本領域技術人員亟需解決的問題。

技術實現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種基于層級特征相似性計算的遙感圖像目標檢測方法及系統(tǒng)，旨在解決傳統(tǒng)深度學習模型對不同層級的特征圖信息無法有效綜合利用以實現(xiàn)精確解譯的問題，通過在特征解耦階段進行層級特征相似性計算以綜合利用不同層級特征圖的信息進行聯(lián)合預測建模，有效地提高了遙感圖像艦船目標檢測的性能，為遙感圖像艦船目標檢測領域提供了更為可靠和高效的解決方案，為未來的遙感應用領域提供了強大的支持。

2、為了實現(xiàn)上述目的，本發(fā)明采用如下技術方案：

3、一種基于層級特征相似性計算的遙感圖像目標檢測方法，包括以下步驟：

4、s1.加載遙感圖像及其標簽信息，標簽信息包括位置和類別信息；

5、s2.通過包括層級堆疊卷積模塊的特征提取網絡對輸入遙感圖像進行特征提取，獲得多層級特征圖；

6、s3.通過特征融合網絡利用卷積算子、特征拼接算子和特征重塑算子對多層級特征圖進行融合，以獲得潛在目標的多尺度特性信息，輸出融合后的特征圖；

7、s4.通過基于層級特征相似性計算模塊優(yōu)化的檢測頭網絡對融合后的特征圖進行解耦，預測潛在目標區(qū)域的位置和類別信息，并輸出預測結果，檢測頭網絡包括基礎卷積模塊、層級特征相似性計算模塊、特征相加模塊和預測函數(shù)；

8、s5.基于特征提取網絡、特征融合網絡和基于層級特征相似性計算模塊優(yōu)化的檢測頭網絡，獲得結合多尺度語義特征注意力融合網絡的目標檢測模型；

9、s6.采用焦點損失和旋轉框交并比損失對目標檢測模型網絡進行遙感圖像目標檢測任務訓練，得到訓練完畢的結合層級特征相似性計算模塊的遙感圖像艦船目標檢測模型；

10、s7.使用訓練完畢的結合層級特征相似性計算模塊的遙感圖像艦船目標檢測模型對待測試的遙感圖像進行測試。

11、優(yōu)選的，步驟s2中各層級堆疊卷積模塊均包括基礎卷積算子、歸一化模塊和激活函數(shù)；

12、基礎卷積算子對輸入的遙感圖像的通道信息進行逐像素級別的計算，歸一化模塊將計算后的通道結果歸一化到標準區(qū)間內，激活函數(shù)對潛在目標區(qū)域的特征矩陣進行激活和抑制作用，以幫助模型區(qū)分前景及背景信息。

13、優(yōu)選的，步驟s3中的特征融合網絡網絡的計算過程表示為：

14、pn＝conv(fn)

15、pn-2＝concat(conv(fn-2)，resize(pn))

16、pn-4＝concat(conv(fn-4)，resize(pn-2))

17、其中，[fn-4，fn-2，fn]為特征提取網絡提取的多層級特征圖中來自三個不同層級的特征圖，n為特征提取網絡卷積模塊的層數(shù)，[pn-4，pn-2，pn]為[fn-4，fn-2，fn]對應的融合后的特征圖，concat表示特征拼接算子，conv表示卷積算子，resize表示特征重塑算子。

18、優(yōu)選的，步驟s4中基于層級特征相似性計算模塊優(yōu)化的檢測頭網絡對融合后的特征圖進行解耦的方法為：

19、s41.卷積模塊用于接收融合后的特征圖并對其進行形狀以及通道維度的處理；

20、s42.層級特征相似性計算模塊用于提取三個來自不同層級的特征圖的相似性特征信息，三個來自不同層級的特征圖包括特征提取網絡提取的多層級特征圖以及對應的特征融合網絡融合后的特征圖和檢測頭網絡的卷積模塊處理的特征圖；

21、s43.特征相加模塊用于融合檢測頭網絡的層級特征相似性計算模塊和卷積模塊的輸出特征圖；

22、s44.預測函數(shù)用于預測潛在目標區(qū)域的位置和類別信息，并輸出預測結果。

23、優(yōu)選的，步驟s42中，層級特征相似性計算模塊的處理方法具體為：

24、s421.分別對三個來自不同層級的特征圖對應進行上采樣、特征降維和多層感知機特征提取處理；

25、s422.將上采樣和特征降維處理后的特征圖進行多層感知機特征提取，再進行特征相加；

26、s423對步驟s421中多層感知機特征提取后的特征圖進行線性變化操作處理，獲得價值矩陣，對步驟s422中特征相加后的特征圖進行線性變化操作處理，獲得查詢矩陣和鍵值矩陣；

27、s424.通過自注意力機制計算價值矩陣、查詢矩陣和鍵值矩陣的特征相似性，挖掘多層級特征圖在長距離依賴特征方面的信息表達，并通過點卷積對特征圖的特征信息進行提取，最終輸出特征圖為層級特征相似性計算模塊的輸出特征圖。

28、一種基于層級特征相似性計算的遙感圖像目標檢測系統(tǒng)，基于所述的一種基于層級特征相似性計算的遙感圖像目標檢測方法，包括遙感圖像輸入模塊、結合層級特征相似性計算模塊的遙感圖像艦船目標檢測模型和模型訓練模塊；

29、結合層級特征相似性計算模塊的遙感圖像艦船目標檢測模型包括特征提取網絡、特征融合網絡和基于層級特征相似性計算模塊優(yōu)化的檢測頭網絡；

30、特征提取網絡包括層級堆疊卷積模塊，用于對輸入遙感圖像進行特征提取，獲得多層級特征圖；

31、特征融合網絡包括卷積算子、特征拼接算子和特征重塑算子，用于對多層級特征圖進行融合，以獲得潛在目標的多尺度特性信息，輸出融合后的特征圖；

32、基于層級特征相似性計算模塊優(yōu)化的檢測頭網絡包括基礎卷積模塊、層級特征相似性計算模塊、特征相加模塊和預測函數(shù)，用于對融合后的特征圖進行解耦，預測潛在目標區(qū)域的位置和類別信息，并輸出預測結果；

33、模型訓練模塊，用于采用焦點損失和旋轉框交并比損失對目標檢測模型網絡進行遙感圖像目標檢測任務訓練，獲得結合層級特征相似性計算模塊的遙感圖像艦船目標檢測模型。

34、優(yōu)選的，各層級堆疊卷積模塊均包括基礎卷積算子、歸一化模塊和激活函數(shù)。

35、優(yōu)選的，層級特征相似性計算模塊包括上采樣模塊、特征降維模塊、多層感知機、線性變換模塊、特征相加模塊、自注意力模塊和點卷積模塊。

36、一種計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)所述的一種基于層級特征相似性計算的遙感圖像目標檢測方法。

37、一種處理終端，包括存儲器和處理器，存儲器中存儲有可在處理器上運行的計算機程序，處理器執(zhí)行計算機程序時實現(xiàn)所述的一種基于層級特征相似性計算的遙感圖像目標檢測方法。

38、經由上述的技術方案可知，與現(xiàn)有技術相比，本發(fā)明公開提供了一種基于層級特征相似性計算的遙感圖像目標檢測方法及系統(tǒng)，層級特征相似性計算模塊能夠幫助目標檢測模型充分挖掘不同感受野下的目標特征信息，避免了常規(guī)深度學習模型存在的解譯精度不足問題，實現(xiàn)特征信息的互補利用，有效避免融合過程中的信息丟失問題，以幫助模型正確識別和定位遙感圖像中的潛在的目標，有效地提高了遙感圖像艦船目標檢測的性能；

39、基于層級特征相似性計算模塊的檢測頭網絡，在特征解耦階段設計優(yōu)化模塊以綜合利用不同層級特征圖的信息進聯(lián)合預測建模，進而提升模型的多層級特征解譯能力，以解決遙感圖像的艦船目標檢測任務中存在的精度不足問題。