基于分层差异化注意力嵌入的遥感目标检测方法与流程

本发明涉及遥感观测，尤其涉及一种基于分层差异化注意力嵌入的遥感目标检测方法。

背景技术：

1、遥感图像目标检测在军事侦察、国土资源监测、灾害评估等领域具有重要应用价值。随着高分辨率对地观测技术的快速发展，基于深度学习的目标检测方法已逐渐成为主流。以yolov5为代表的单阶段检测器因其检测速度快、参数量小、易于部署等优势，在工程化遥感检测任务中得到广泛关注。

2、然而，将通用目标检测器直接迁移至遥感图像场景时，检测性能往往显著下降，主要原因包括：第一，遥感图像中目标像素占比极低，小目标（像素尺寸小于32×32）占比通常超过60%，而传统检测器中的高倍下采样操作易导致小目标细粒度特征在深层网络中消失；第二，遥感图像背景复杂，云层、植被纹理、密集建筑群等干扰信息易与目标特征发生混淆，导致误检率升高；第三，不同尺度目标在特征金字塔中的有效表达层级不同，若在各层级采用相同的注意力配置，容易造成浅层细节增强不足、深层冗余响应累积以及跨尺度融合质量下降。

3、现有技术中，已有研究人员尝试通过引入注意力机制来缓解上述问题。例如，se-net通过通道重校准增强特征判别性，cbam联合使用通道注意力与空间注意力，坐标注意力（ca）进一步引入坐标位置信息。然而，上述改进方案多以独立模块形式嵌入网络，较少考虑不同网络层级在感受野大小、空间分辨率、语义抽象程度上的固有差异，普遍采用“一种注意力适用于所有层级”的同质化嵌入策略，难以充分发挥注意力机制在多层次特征中的互补作用。此外，部分基于transformer的全局建模方法虽能提升精度，但计算负载较高，不利于在资源受限的边缘端实时部署。

4、因此，如何在保持轻量化与实时性的前提下，针对遥感目标检测中小目标细节易丢失、跨尺度特征融合冗余和复杂背景干扰严重等问题，设计一种能够适配不同特征层表达差异且参数增量较小的注意力嵌入方案，是本领域技术人员亟待解决的技术问题。

技术实现思路

1、本发明的目的是要提供一种基于分层差异化注意力嵌入的遥感目标检测方法。

2、为达到上述目的，本发明是按照以下技术方案实施的：

3、本发明一种基于分层差异化注意力嵌入的遥感目标检测方法，包括以下步骤：

4、s1：获取待检测的遥感图像；

5、s2：将所述遥感图像输入至改进的yolov5目标检测网络中，其中，所述改进的yolov5目标检测网络包括主干网络、颈部网络和检测头；

6、s3：在所述主干网络的浅层特征层p2中，嵌入基于eca模块的c3-eca注意力增强模块，以增强小尺度目标的通道判别性特征；在所述主干网络的深层特征层p5中，嵌入基于eca模块的c3-eca注意力增强模块，以抑制复杂背景的深层语义干扰；

7、s4：在所述主干网络的中层特征层p3中，嵌入基于ca模块的c3-ca注意力增强模块，以增强目标空间位置表达和局部结构保持能力；

8、s5：在所述颈部网络的多尺度特征融合路径中，于fpn特征金字塔路径和pan路径上分别插入独立的eca模块，以优化多尺度特征的融合质量；

9、s6：通过所述改进的yolov5目标检测网络输出所述遥感图像中目标物体的检测结果，所述检测结果包括目标类别、置信度分数及边界框位置。

10、进一步，所述c3-eca注意力增强模块配置为：将eca模块作为即插即用组件嵌入yolov5原始c3模块的残差分支末端，主分支保持原始结构不变，并将经注意力增强后的残差分支特征与主分支特征进行通道拼接与融合。

11、所述c3-ca注意力增强模块配置为：将坐标注意力ca模块作为即插即用组件嵌入yolov5原始c3模块的残差分支末端，主分支保持原始结构不变，并将经ca模块注意力增强后的残差分支特征与主分支特征进行通道拼接与融合。

12、所述颈部网络中独立插入的eca模块分别作用于自顶向下的fpn特征融合路径和自底向上的pan特征聚合路径，用于增强多尺度特征融合过程中的有效信息传递。

13、具体地，所述改进的yolov5目标检测网络的中层特征层p4保持原始c3模块结构不变，用于通过特征金字塔的上下采样路径间接接收来自p3层和p5层的注意力增强信息。

14、进一步，所述分层差异化注意力嵌入策略根据不同特征层的空间分辨率、感受野大小和语义抽象程度，为浅层特征层、中层特征层、深层特征层及颈部融合路径配置不同类型的注意力增强结构，以在提高遥感目标检测精度的同时保持实时推理能力。

15、实验结果表明，所述改进的yolov5目标检测网络在nwpu vhr-10遥感数据集上，在参数量由7.2m增加至8.6m的前提下，map@0.5由86.83%提升至91.67%，推理速度保持为101fps。

16、本发明的有益效果是：

17、（1）设计了c3-aem注意力增强模块，将eca与ca以插件式结构嵌入yolov5的c3残差分支末端，在尽量保持原有网络结构的基础上增强通道筛选与空间位置表达能力。

18、（2）提出分层差异化注意力嵌入策略：根据各层感受野、空间分辨率和语义抽象程度，为p2层、p3层、p5层及颈部融合路径分别配置适宜的注意力增强结构，以缓解单一注意力机制应用于所有层级时的适配性不足问题。

19、（3）在nwpu vhr-10遥感基准数据集上的实验表明，所提方法以增加1.4m参数（7.2m→8.6m）的代价，将map@0.5从86.83%提升至91.67%（+4.84个百分点），推理速度保持101 fps，在小目标识别、复杂背景抑制和目标空间位置表达方面均取得较好效果。

1.一种基于分层差异化注意力嵌入的遥感目标检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于分层差异化注意力嵌入的遥感目标检测方法，其特征在于，所述c3-eca注意力增强模块配置为：将eca模块作为即插即用组件嵌入yolov5原始c3模块的残差分支末端，主分支保持原始结构不变，并将经注意力增强后的残差分支特征与主分支特征进行通道拼接与融合。

3.根据权利要求1所述的基于分层差异化注意力嵌入的遥感目标检测方法，其特征在于，所述c3-ca注意力增强模块配置为：将坐标注意力ca模块作为即插即用组件嵌入yolov5原始c3模块的残差分支末端，主分支保持原始结构不变，并将经ca模块注意力增强后的残差分支特征与主分支特征进行通道拼接与融合。

4.根据权利要求1所述的基于分层差异化注意力嵌入的遥感目标检测方法，其特征在于，颈部网络中独立插入的所述eca模块分别作用于自顶向下的fpn特征融合路径和自底向上的pan特征聚合路径，用于对多尺度融合特征的通道响应进行重校准，并增强跨尺度特征融合过程中的有效信息传递。

5.根据权利要求1所述的基于分层差异化注意力嵌入的遥感目标检测方法，其特征在于，所述改进的yolov5目标检测网络的中层特征层p4保持原始c3模块结构不变，用于通过特征金字塔的上下采样路径间接接收来自p3层和p5层的注意力增强信息。

6.根据权利要求1所述的基于分层差异化注意力嵌入的遥感目标检测方法，其特征在于，所述分层差异化注意力嵌入策略根据不同特征层的空间分辨率、感受野大小和语义抽象程度，为浅层特征层、中层特征层、深层特征层及颈部融合路径配置不同类型的注意力增强结构，以在提高遥感目标检测精度的同时保持实时推理能力。