(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210832447.X (22)申请日 2022.07.14 (71)申请人 云南大学 地址 650000 云南省昆明市五华区翠湖北 路2号 (72)发明人 袁国武　杨雷　周浩　吴昊　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 曹瑞敏 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 遥感图像检测方法、 装置、 电子设备以及存 储介质 (57)摘要 本申请提供了一种遥感图像检测方法、 装 置、 电子设备及存储介质， 其中， 该方法包括： 获 取待检测遥感图像， 基于切片推理工具将待检测 遥感图像切分为多个子图像,并将各子图像分别 输入预先训练得到的目标检测模 型中,得到各子 图像中的目标检测结果,基于切片推理工具对各 子图像的目标检测结果进行合并处理,得到待检 测遥感图像的目标检测结果。 通过切片推理工具 将大尺寸遥感图像切分成多个子图像， 可以提升 模型对大尺 寸图像的检测性能， 通过在目标检测 模型中引入通道注意力机制模块和目标检测自 适应特征融合模块， 可以强化网络中特征的提取 和融合， 从而提升模型对遥感图像中的小目标检 测的精确度。 权利要求书2页 说明书13页 附图6页 CN 115115947 A 2022.09.27 CN 115115947 A 1.一种遥感图像 检测方法， 其特 征在于， 包括： 获取待检测遥感图像； 基于切片推理工具将所述待检测遥感图像切分为多个子图像,并将各子图像分别输入 预先训练得到的目标检测模型中,得到各所述子图像中的目标检测结果,所述目标检测结 果用于指示所述子图像中的至少一个目标,所述目标检测模型包括:输入层、 骨干网络层、 颈部网络层以及头部网络层， 所述骨干网络层和所述颈部网络层之 间包括多个通道注意力 机制模块， 所述通道注意力机制模块用于强化所述骨干网络层的输出特征， 所述颈部网络 层中包括目标检测自适应特征融合模块， 所述目标检测自适应特征融合模块用于进行特征 的强化融合； 基于所述切片推理工具对各所述子图像的目标检测结果进行合并处理,得到所述待检 测遥感图像的目标检测结果。 2.如权利要求1所述的方法， 其特征在于， 所述将各子图像分别 输入预先训练得到的目 标检测模型中,得到各 所述子图像中的目标检测结果， 包括： 将各子图像输入所述输入层， 在所述输入层中对所述子 图像进行预处理， 并将预处理 后的子图像输入所述骨干网络层； 在所述骨干网络层中按通道进行处理， 得到多个原始特征层， 基于各原始特征对应的 通道注意力机制模块对各原始特征层进行强化处理， 并将强化后的中间特征层输入所述颈 部网络层， 其中， 各 所述原始特征层分别用于表征相同尺寸的目标的特 征； 在所述颈部网络层中对各所述中间特征层进行处理， 并通过所述目标检测自适应特征 融合模块分别进行特征强化融合， 得到多个融合后特征层， 将各融合后特征层输入所述头 部网络层； 在所述头部网络层中对各融合后特征层进行预测， 得到各所述子图像中的目标检测结 果。 3.如权利要求2所述的方法， 其特征在于， 所述通过所述目标检测自适应特征融合模块 分别进行 特征强化融合， 得到多个融合后特 征层， 包括： 在所述目标检测自适应特征融合模块中， 依次将各所述中间特征层中的一个中间特征 层作为参考特征层； 以当前的参考特征层为基准， 对各所述中间特征层进行缩放， 缩放后的各中间特征层 的尺寸均 与所述参考特征层的尺寸相同； 根据当前的参考特征层对应的权重图对缩放后的各中间特征层进行特征融合， 得到当 前的参考特征层对应的一个融合后特 征层。 4.如权利要求2所述的方法， 其特征在于， 所述在所述头部网络层中对各融合后特征层 进行预测， 得到各 所述子图像中的目标检测结果， 包括： 在所述头部网络层中对各融合后特征层 分别进行目标分类， 得到各融合后特征层中特 征点对应的目标的类型； 在所述头部网络层中对各融合后特征层 分别进行检测框坐标回归， 得到各融合后特征 层中特征点对应的检测框的位置信息； 对所述各融合后特征层中特征点、 所述特征点对应的目标的类型和所述位置信 息进行 整合， 得到各 所述子图像中的目标检测结果。权　利　要　求　书 1/2 页 2 CN 115115947 A 25.如权利要求1 ‑4任一项所述的方法， 其特征在于， 所述将各子图像分别输入预先训练 得到的目标检测模型中,得到各 所述子图像中的目标检测结果之前， 还 包括： 构建训练样本集， 所述训练样本集中包括多个样本 图像， 各所述样本 图像通过对原始 遥感图像进行切分得到； 基于所述训练样本集对初始改进模型进行训练， 得到所述目标检测模型， 所述初始改 进模型包括:输入层、 骨干网络层、 颈部网络层以及头部网络层， 所述骨干网络层和所述颈 部网络层之 间包括多个通道注意力机制模块， 所述通道注意力机制模块用于强化所述骨干 网络层的输出特征， 所述颈部网络层中包括 目标检测自适应特征融合模块， 所述 目标检测 自适应特 征融合模块用于进行 特征的强化融合。 6.如权利要求5所述的方法， 其特征在于， 所述基于所述训练样本集对初始改进模型进 行训练， 得到所述目标检测模型， 包括： 将所述训练样本集输入所述初始改进模型， 得到实际检测结果； 基于预设的损 失函数以及所述实 际检测结果， 计算所述初始改进模型的损 失信息， 并 根据所述损失信息修迭代正所述初始改进模型， 直至所述初始改进模型的实际检测结果满 足预设条件， 将满足预设条件的初始改进模型作为所述目标检测模型， 其中， 所述损失函数 中包含预设参数， 所述预设参数用于突出 所述训练样本集的正样本中的主样本 。 7.如权利要求5所述的方法， 其特 征在于， 所述方法还 包括： 在基于所述训练样本集对初始改进模型进行训练时， 在所述初始改进模型的目标检测 自适应特 征融合模块中， 根据各中间特 征层学习得到各中间特 征层对应的权 重图。 8.一种遥感图像 检测装置， 其特 征在于， 包括： 获取模块， 用于获取待检测遥感图像； 检测模块， 用于基于切片推理工具将所述待检测遥感图像切分为多个子 图像,并将各 子图像分别输入预先训练得到的目标检测模型中,得到各所述子图像中的目标检测结果, 所述目标检测结果用于指示所述子图像中的至少一个目标,所述 目标检测模型包括:输入 层、 骨干网络层、 颈部网络层以及头部网络层， 所述骨干网络层和所述颈部网络层之 间包括 多个通道注意力机制模块， 所述通道注意力机制模块用于强化所述骨干网络层的输出特 征， 所述颈部网络层中包括 目标检测自适应特征融合模块， 所述 目标检测自适应特征融合 模块用于进行 特征的强化融合； 合并模块， 用于基于所述切片推理工具对各所述子图像的目标检测结果进行合并处 理,得到所述待检测遥感图像的目标检测结果。 9.一种电子设备， 其特征在于， 包括： 处理器、 存储介质和总线， 所述存储介质存储有所 述处理器可执行 的程序指令， 当电子设备运行时， 所述处理器与所述存储介质之间通过总 线通信， 所述处理器执行所述程序指令， 以执行时执行如权利要求1至7任一所述的遥感图 像检测方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序， 所述计算机程序被处理器运行时执行如权利要求 1至7任一所述的遥感图像检测方法 的步骤。权　利　要　求　书 2/2 页 3 CN 115115947 A 3