基于形变自适应与特征重构的遥感轻量化目标检测方法

本发明涉及目标检测，尤其涉及一种基于形变自适应与特征重构的遥感轻量化目标检测方法。

背景技术：

1、随着遥感技术的飞速发展，高分辨率遥感图像在军事侦查、城市规划、环境监测和灾害评估等领域越发重要。遥感轻量化目标检测作为一项前沿关键技术，其核心价值在于实现了模型能力与部署环境的协同优化。它不仅能够将复杂的深度学习模型成功部署至计算、存储和功耗均受严格限制的星载、机载等边缘计算平台；还能在严苛的资源约束下，保持对多尺度目标，尤其是小目标和异形目标的高精度识别与定位能力，从而在检测精度与计算效率之间取得最佳平衡。

2、然而，遥感目标检测技术在实际应用中仍然面临着诸多挑战：

3、首先，目标尺度多样性问题突出。遥感图像中同时存在从几十像素的小型车辆到数千像素的大型船舶等不同尺度的目标，传统检测方法难以适应这种极端尺度变化。基于锚框的方法需要精心设计锚框尺寸，泛化能力差，对小目标和密集目标检测效果不佳。

4、其次，计算负担问题严重。星载、机载等边缘计算场景对模型体积、功耗和推理速度有严格要求。现有高性能检测模型参数量大、计算复杂度高，难以在边缘设备上实时部署。传统轻量化方法如网络剪枝、知识蒸馏等往往带来显著的精度损失。

5、第三，目标几何形变问题显著。由于拍摄角度、高度和目标自身姿态的多样性，遥感目标常呈现复杂的几何形变。传统卷积神经网络的固定几何结构缺乏对目标形变的自适应能力，影响检测框的定位精度。

6、因此，迫切需要一种能够有效应对上述挑战的遥感轻量化目标检测方法。

技术实现思路

1、针对上述背景技术中存在的不足，本发明提出一种基于形变自适应与特征重构的遥感轻量化目标检测方法，能够有效解决目标尺度多样性、计算负担大和目标几何形变等技术问题。

2、为了达到上述目的，本发明的技术方案是这样实现的：

3、一种基于形变自适应与特征重构的遥感轻量化目标检测方法，其步骤为：

4、s1：获得遥感图像数据集并进行预处理；

5、s2：构建dafr-net网络，包括骨干网络和颈部网络；其中，骨干网络为repvit-td，颈部网络为特征金字塔；

6、s3：以预处理后的遥感图像作为dafr-net网络的输入，基于形变自适应与特征重构对所述dafr-net网络进行训练；

7、s4：将待检测的遥感图像输入至训练好的dafr-net网络获取包含微小目标类别的检测框及置信度。

8、优选地，步骤s3中对dafr-net网络进行训练的方法为：

9、s3.1：将预处理后的遥感图像输入骨干网络，利用repvit-td从输入遥感图像中提取多尺度特征图；

10、s3.2：将多尺度特征图输入颈部网络，利用特征金字塔生成多层级特征图；在各层级特征图上，通过通道相关性分析，自动识别并增强对小目标检测重要的特征通道；

11、s3.3：将处理后的特征图送入检测头，通过分类分支输出每个位置属于各个类别的概率得分，通过回归分支预测边界框的精确位置和尺寸，通过中心度分支预测每个位置为目标中心的程度；

12、s3.4：根据预测结果与真实标注的匹配关系，为每个特征点动态分配正负样本标签，分别计算分类损失、回归损失和中心度损失，并通过加权求和得到总损失，基于总损失进行反向传播，通过梯度下降算法更新网络全部参数。

13、优选地，步骤s4中目标检测的方法为：

14、s4.1：利用骨干网络中的repvit-td从输入遥感图像中提取多尺度特征图，通过特征金字塔网络构建多层级特征金字塔；在各层级特征图上，基于gram矩阵进行通道相关性建模，自动识别并增强对小目标检测重要的特征通道，生成相应的通道注意力权重；

15、s4.2：针对特征金字塔输出的p2和p3高层级特征，采用可变形卷积与分组卷积的协同架构：可变形卷积通过自适应学习采样点偏移，分组卷积则通过特征通道分组处理；

16、s4.3：在轻量级跨空间-通道注意力模块采用双路径注意力架构，分别建模通道与空间注意力路径；其中通道注意力路径聚焦于特征通道的全局相关性，空间注意力路径关注特征图的空间显著性区域，最后通过协同融合生成复合注意力图，对特征进行精细化加权；

17、s4.4：将处理后的特征送入三分支检测头，分别输出分类得分、边界框回归和中心度预测。

18、优选地，所述基于gram矩阵进行通道相关性建模的方法为：通过侧向连接对骨干网络提取的多尺度特征图进行通道统一后，在自上而下的特征融合路径中，针对每个上采样后的特征图计算其gram矩阵以分析通道间相关性；继而基于gram矩阵的对角线元素识别出强相关通道与弱相关通道；随后对识别出的强相关通道进行特征增强，同时对弱相关通道进行特征抑制；最终将经过此类通道相关性建模与选择性增强处理后的特征图输入至后续检测模块。

19、优选地，所述上采样后特征图的gram矩阵的计算方式为：

20、对于特征图，首先展平，计算gram矩阵：

21、；

22、所述的通道相关性分析：

23、；

24、所述的注意力权重生成，通过轻量级mlp生成通道注意力权重：

25、；

26、其中，为sigmoid激活函数，为relu，、均为全连接层权重，形状为，r是缩减率。

27、优选地，步骤s4.2的实现方法为：

28、给出标准卷积的操作：

29、；

30、其中，k是卷积核的元素总数，是卷积核的第k个权重参数；

31、动态可变形卷积操作为：

32、；

33、其中，学习得到的偏移量；

34、结合分组卷积优化，将所有卷积分为g组，每组独立进行卷积，其分组卷积的公式为：

35、；

36、其中，，g是分组数，即将输入通道分成g个独立的组；表示第i个输入通道组；表示第i个组对应的卷积核权重；第i个组卷积后的输出。

37、优选地，所述双路径注意力架构通过并行的通道注意力路径和空间注意力路径分别建模特征的不同维度重要性，然后通过元素级相乘实现双路径协同融合，最终利用生成的复合注意力图对输入特征进行自适应加权；具体的，

38、通道注意力路径计算表达式为：

39、；

40、其中，x是输入特征图张量，avgpool(x)表示对x进行全局平均池化，mlp表示轻量级多层感知机，为sigmoid激活函数，表示通道注意力权重张量；

41、空间注意力路径计算表达式为：

42、；

43、其中，avgpool(x)是对x在通道维度上进行平均池化，maxpool(x)是对x在通道维度上进行最大池化；[avgpool(x);maxpool(x)]表示将平均池化和最大池化的结果在通道维度上拼接；f3×3是3×3卷积操作，as空间注意力权重张量；

44、协同融合：

45、；

46、其中，是复合注意力图。

47、本发明的有益效果：

48、1）本发明提出基于动态形变感知与通道相关性建模的检测方法，通过在多尺度特征图中引入可变形卷积与分组卷积的协同设计，自适应学习目标形变特征并显著降低计算复杂度，同时利用gram矩阵分析通道间相关性，实现关键特征通道的自动增强与冗余通道抑制，有效提升模型对遥感目标特别是小目标的特征表征能力。

49、2）本发明构建了包含形变感知、通道增强与信息补偿的轻量化架构，通过在分组卷积后实施特征补偿，结合动态调节机制根据输入特征自适应调整网络行为，解决了轻量化设计中形变适应性差、特征信息丢失与计算效率难以兼顾的核心问题。

50、3）本发明通过三大模块的协同作用，在显著降低模型复杂度的同时有效增强了特征表征能力，不仅大幅提升了对小目标和形变目标的检测精度，还实现了计算效率与检测性能的最佳平衡，为星载、机载等边缘计算场景提供了高效的轻量化检测解决方案。