一种基于可迭代深度聚类的遥感影像目标检测方法及系统与流程
本发明属于遥感影像处理与计算机视觉的，具体地涉及一种基于可迭代深度聚类的遥感影像目标检测方法及系统。
背景技术：
1、注意力机制模拟人类视觉选择性感知特性，通过自适应分配特征权重筛选有效信息，已成为深度学习特征建模的核心基础模块。其发展历经四个核心阶段，建模维度与智能化程度持续迭代：早期为局部人工注意力，以空间注意力、通道注意力为核心（如senet、cbam），依靠固定卷积窗口、通道压缩激活等人工预设规则完成特征校准，仅能实现局部浅层特征增强；中期随着transformer架构诞生，全局自注意力机制成为主流，突破卷积局部约束，通过全局像素/特征两两相似度计算，实现长距离依赖建模，广泛应用于视觉、文本、遥感等各类任务；后期为解决全局注意力算力瓶颈，衍生出高效稀疏注意力分支，通过窗口截断、序列压缩、线性近似等方式降低二次方计算复杂度（如linformer、nsa）；现阶段研究多聚焦多分支融合注意力，通过空间、通道、语义等多注意力拼接叠加提升建模精度。
2、主流注意力机制（自注意力、通道注意力、空间注意力）均为人工固定结构先验：依靠预设卷积窗口、全局像素交互、通道权重分配规则建模特征关联，不适配数据本身的分布特性。尤其在遥感、复杂场景特征建模中，存在两大致命问题：一是无差别遍历所有像素/特征，冗余计算量大、噪声干扰强；二是人工先验无法自适应不同地物、不同场景的簇状分布规律，特征聚合针对性差。在复杂遥感场景下目标检测性能存在明显瓶颈。
技术实现思路
1、为了解决上述技术问题，本发明提出一种基于可迭代深度聚类的遥感影像目标检测方法及系统，摒弃所有人工设计的注意力分支与固定交互规则，以特征无监督聚类分组为唯一建模先验，构建簇约束稀疏注意力交互机制；通过聚类分组实现同类特征自适应聚合、异类特征有效隔离，同时设计聚类-注意力双向迭代优化闭环，动态修正聚类偏差与注意力权重，实现完全数据驱动的特征增强。
2、第一方面，本发明提供以下技术方案，一种基于可迭代深度聚类的遥感影像目标检测方法，包括：
3、获取待检测的遥感影像，对所述遥感影像进行特征提取，以得到初始高维特征图；对所述初始高维特征图进行维度归一化与降维处理，得到降维后特征张量；
4、对所述降维后特征张量进行可迭代深度聚类处理，根据特征空间中的密度分布与相似度关联关系自动确定聚类簇数量，并为每个特征点分配簇类别标签，得到初始聚类分布；
5、基于所述初始聚类分布构建分组约束注意力机制，以特征点之间的簇归属关系为唯一约束条件计算注意力权重，仅保留归属于同一聚类簇的特征点之间的注意力交互，截断归属于不同聚类簇的特征点之间的注意力交互，得到组内聚合增强特征；
6、基于所述组内聚合增强特征重新执行可迭代深度聚类处理，更新聚类分布，以得到更新后的簇类别标签；基于所述更新后的聚类分布重新计算注意力权重，迭代执行聚类-注意力双向闭环优化，直至聚类分布收敛，得到最终增强特征；
7、将所述最终增强特征输入目标检测网络进行遥感影像目标检测，以输出目标检测结果。
8、相比现有技术，本发明的有益效果为：本发明在特征建模精度、计算效率及模型自适应性方面均具有显著优势。通过聚类驱动的特征分组策略将注意力交互严格限制在同质簇内部，从根本上解决了传统注意力全局无差别遍历带来的冗余计算量大、特征区分性弱的问题。同时，可迭代深度聚类摒弃固定k值聚类方案，根据特征分布自动生成簇数量，完全由数据驱动。聚类-注意力双向闭环优化机制实现了两个模块的相互修正与协同优化，通过多轮迭代收敛有效克服了静态聚类注意力建模滞后、误差累积的短板。本发明提出的纯聚类注意力机制是一种即插即用的注意力模块，可便捷地部署到各类遥感影像目标检测模型中。
9、较佳的，所述对所述初始高维特征图进行维度归一化与降维处理，得到降维后特征张量的步骤包括：
10、对所述初始高维特征图沿通道维度进行批归一化处理，以消除不同通道之间的特征尺度差异，得到归一化特征张量，其中，为特征图高度，为特征图宽度，为特征图通道数；
11、采用线性投影矩阵对所述归一化特征张量进行通道降维，将通道数从压缩至，得到降维后特征张量，其中，；
12、将所述降维后特征张量沿空间维度展开为特征点集合，其中，为第个特征点的维特征向量。
13、较佳的，所述对所述降维后特征张量进行可迭代深度聚类处理，根据特征空间中的密度分布与相似度关联关系自动确定聚类簇数量，并为每个特征点分配簇类别标签，得到初始聚类分布的步骤包括：
14、基于所述特征点集合构造相似度矩阵，其中，相似度矩阵中的元素为特征点与之间的余弦相似度，为第个特征点的维特征向量；
15、基于所述相似度矩阵确定特征空间中的局部密度：
16、；
17、式中，为高斯核带宽参数，为特征点与之间的夹角距离，为特征点总数；
18、基于所述局部密度和所述相似度矩阵确定每个特征点的簇中心倾向度：
19、；
20、式中，表示在所有局部密度大于的特征点中，与特征点夹角距离的最大值；将值最大的前个特征点确定为初始簇中心，为聚类簇数量且由的分布拐点自动确定；
21、以所述初始簇中心为聚类起点，采用迭代期望最大化策略对所有特征点进行聚类分配，每次迭代中先基于当前簇中心计算每个特征点与各簇中心的夹角距离并将特征点分配给距离最近的簇，再基于当前簇内所有特征点的均值更新簇中心，重复迭代直至簇中心不再变化或达到预设最大迭代次数，得到每个特征点的簇类别标签。
22、较佳的，所述基于所述初始聚类分布构建分组约束注意力机制，以特征点之间的簇归属关系为唯一约束条件计算注意力权重，仅保留归属于同一聚类簇的特征点之间的注意力交互，截断归属于不同聚类簇的特征点之间的注意力交互，得到组内聚合增强特征的步骤包括：
23、基于所述特征点集合计算原始注意力权重矩阵，其中，原始注意力权重矩阵中的元素为特征点相对于特征点的原始注意力权重，为求和索引变量，为缩放因子，为特征点总数；
24、基于所述簇类别标签和构造分组归属指示函数：
25、；
26、式中，、分别为第、个特征点的簇类别标签；
27、基于所述原始注意力权重矩阵和所述分组归属指示函数计算分组约束注意力权重：
28、；
29、对所述分组约束注意力权重进行行归一化处理，得到归一化分组约束注意力权重；
30、基于所述归一化分组约束注意力权重对所述特征点集合进行特征更新，得到组内聚合增强特征。
31、较佳的，所述基于所述组内聚合增强特征重新执行可迭代深度聚类处理，更新聚类分布，以得到更新后的簇类别标签的步骤包括：
32、基于所述组内聚合增强特征重新构造增强特征相似度矩阵，其中，增强特征相似度矩阵中的元素为增强后第个组内聚合增强特征与第个组内聚合增强特征之间的余弦相似度；
33、基于所述增强特征相似度矩阵重新计算局部密度和簇中心倾向度，自动确定更新后的簇数量及更新后的簇中心；
34、以所述更新后的簇中心为起点重新执行迭代期望最大化聚类分配，得到更新后的簇类别标签。
35、较佳的，所述基于所述更新后的聚类分布重新计算注意力权重，迭代执行聚类-注意力双向闭环优化，直至聚类分布收敛，得到最终增强特征的步骤包括：
36、设定迭代轮次变量，以所述初始聚类分布为起始状态，为第个特征点的簇类别标签；
37、在第轮迭代中，基于当前聚类分布计算分组约束注意力权重，并对特征点进行特征更新，得到第轮增强特征；其中，为第轮的分组约束注意力权重，为第个特征点在第轮的特征向量，为求和索引变量；
38、基于第轮增强特征重新执行可迭代深度聚类，得到更新后的聚类分布；
39、计算聚类分布变化率，其中，为示性函数，当条件成立时取值为1否则为0；
40、若或则停止迭代，输出当前增强特征作为最终增强特征；否则令并继续迭代，其中为预设收敛阈值，为预设最大迭代次数。
41、较佳的，所述将所述最终增强特征输入目标检测网络进行遥感影像目标检测，以输出目标检测结果的步骤包括：
42、将所述最终增强特征沿空间维度重塑为增强特征图；
43、将所述增强特征图输入目标检测网络的特征金字塔结构进行多尺度特征融合，得到多尺度检测特征；
44、将所述多尺度检测特征分别输入分类分支和回归分支，所述分类分支用于预测每个候选区域的目标类别概率，所述回归分支用于预测每个候选区域的边界框偏移量；
45、基于所述分类分支和回归分支的预测结果，采用非极大值抑制算法对候选检测框进行筛选合并，输出去重后的目标检测结果，所述目标检测结果包括目标类别标签和边界框坐标。
46、第二方面，本发明提供以下技术方案，一种基于可迭代深度聚类的遥感影像目标检测系统，所述系统包括：
47、提取模块，用于获取待检测的遥感影像，对所述遥感影像进行特征提取，以得到初始高维特征图；对所述初始高维特征图进行维度归一化与降维处理，得到降维后特征张量；
48、聚类模块，用于对所述降维后特征张量进行可迭代深度聚类处理，根据特征空间中的密度分布与相似度关联关系自动确定聚类簇数量，并为每个特征点分配簇类别标签，得到初始聚类分布；
49、约束模块，用于基于所述初始聚类分布构建分组约束注意力机制，以特征点之间的簇归属关系为唯一约束条件计算注意力权重，仅保留归属于同一聚类簇的特征点之间的注意力交互，截断归属于不同聚类簇的特征点之间的注意力交互，得到组内聚合增强特征；
50、迭代模块，用于基于所述组内聚合增强特征重新执行可迭代深度聚类处理，更新聚类分布，以得到更新后的簇类别标签；基于所述更新后的聚类分布重新计算注意力权重，迭代执行聚类-注意力双向闭环优化，直至聚类分布收敛，得到最终增强特征；
51、检测模块，用于将所述最终增强特征输入目标检测网络进行遥感影像目标检测，以输出目标检测结果。
52、第三方面，本发明提供以下技术方案，一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的基于可迭代深度聚类的遥感影像目标检测方法。
53、第四方面，本发明提供以下技术方案，一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的基于可迭代深度聚类的遥感影像目标检测方法。