(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 202211221331.9 (22)申请日 2022.10.08 (71)申请人 广东工业大 学 地址 510000 广东省广州市东 风东路72号 (72)发明人 邵长城　 (74)专利代理 机构 长沙轩荣专利代理有限公司 43235 专利代理师 张慧敏 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/80(2022.01) (54)发明名称 一种融合注意力机制的遥感图像目标检测 方法 (57)摘要 本发明公开了一种融合注意力机制的遥感 图像目标检测方法， 其方法步骤包括： 数据集获 取， 根据业务需求确定所需数据集并进行获取； 数据预处理， 根据业务需求进行数据预处理与训 练集、 测试集的划分； 模 型构建， 构建融合注意力 机制的YOLOX遥感图像目标检测模型； 模型训练， 基于构建的模 型， 利用训练集结合训练策略进行 模型训练； 模型验证， 将验证数据输入模型进行 验证， 得到验证结果。 本发明基于目标检测框架 YOLOX， 融合注意力机制， 使模型高效利用目标及 上下文信息， 提高模型性能； 调整训练策略， 通过 数据增强等方法防止模型过拟合， 具有更好性能 优势， 在保证实时检测的基础上提高检测精度， 有效提高遥感图像目标检测精度与效率。 权利要求书2页 说明书5页 附图3页 CN 115527118 A 2022.12.27 CN 115527118 A 1.一种融合注意力机制的遥感图像目标检测方法， 其特 征在于包括以下步骤： 步骤1： 数据集获取； 根据业 务要求， 确定模型 所需的数据集， 进行 数据集的获取； 步骤2： 数据预处 理； 对数据集进行 数据处理， 并进行训练集与测试集的划分； 步骤3： 模型构建； 构建融合注意力机制的YOLOX遥感图像目标检测模型； 步骤4： 模型训练； 基于构 建的融合注意力机制的YOLOX遥感图像目标检测模型， 利用数 据处理后的遥感图像训练数据集结合训练策略进行模型训练； 步骤5： 模型验证； 将遥感图像验证数据输入至训练完成的遥感图像目标检测模型中， 进行模型验证， 得到模型验证结果。 2.根据权利要求1所述的一种融合注意力机制的遥感图像目标检测方法， 其特征在于 步骤1中， 所述数据集获取的具体步骤为： 根据业务的需求， 从已知且公开的遥感图像目标检测数据集中选取一个或多个数据 集， 或通过无人机拍摄、 互联网收集等方法收集并标注， 形成自定数据集； 将所选取或收集 的数据集组成模型所需的数据集， 具体来说， 若仅选取单独一个数据集， 则将其作为模型所 需的数据集； 若选取多个数据集(包括自定数据集)， 则可将其组成模型所需的数据集或按 一定的比例进行 数据的抽取， 共同组成模型 所需的数据集。 3.根据权利要求1所述的一种融合注意力机制的遥感图像目标检测方法， 其特征在于 步骤2中， 所述数据预处 理的具体步骤为： 根据业务需求， 对步骤1中所获取的数据集进行数据处理； 数据处理方法包括： 图像分 辨率统一化、 数据归一化、 随机旋转变换、 随机尺度变换、 随机色调变换、 Mosaic等方法； 在 数据预处理阶段， 利用数据增强等数据处理方法， 以减少模型对图像中某些特征的依赖， 提 升模型对图像特征的提取效果， 提高模 型的泛化性和鲁棒性， 能够 有效地防止模 型过拟合， 提高模型尤其是对具有较多旋转角度目标的识别精度， 特别是对于数据集中数量较少的目 标， 其检测精度将得到更大 的提升； 其次， 根据业务需求， 将数据处理后的数据集按预设比 例进行划分， 分为训练集与测试集； 其中训练集将用于训练所述的遥感图像目标检测模型， 测试集将用于验证模型的性能。 4.根据权利要求1所述的一种融合注意力机制的遥感图像目标检测方法， 其特征在于 步骤3中， 所述模型构建的具体步骤为： 构建融合注意力机制的YOLOX遥感图像目标检测模型， 包括输入层、 特征提取网络、 多 尺度特征融合网络、 解耦输出网络、 输出层； 具体来说， 输入层用于接受所输入模型的遥感 图像； 特征提取网络用于分层提取遥感图像的不同尺度的特征， 采用轻量级的特征提取网 络EfficientNetV2替代YOLOX中较为耗时且可能出现特征提取不充分的特征提取网络 Darknet53， 降低模型参数的同时， 提升模型检测的准确度， 以满足实际部署等以工程落地 为导向的需求； 多尺度特征融合网络采用特征金字塔结构， 在多尺度融合网络的末端引入 即插即用的轻量级注意力模块CBAM， 对模 型特征进 行融合， 弱化背 景、 噪声与错误信息的干 扰， 抑制无用信息， 增强目标的特征信息， 提高目标检测的识别精度与定位准确度； 解耦输 出网络对多尺度特征融合网络的输出， 即预测目标的类别、 位置和置信度进行解耦计算； 输 出层将目标类别 信息、 位置信息与输入的遥感图像进行合并， 作为模型的输出。 5.根据权利要求1所述的一种融合注意力机制的遥感图像目标检测方法， 其特征在于 步骤4中， 所述模型训练的具体步骤为：权　利　要　求　书 1/2 页 2 CN 115527118 A 2基于步骤3构建的融合注意力机制的YOLOX遥感图像目标检测模型， 利用步骤2所得的 遥感图像训练数据集结合训练策略进行模型训练； 在模型训练中， 采用高斯分布初始化网 络权重； 根据业务需求， 设定总的训练迭代 次数， 与初始学习率， 采用随机梯度下降算法进 行梯度更新； 引入学习率预热策略并设定相应的warmup系数； 在达到预设的迭代次数后， 采 用余弦退火策略进行模型学习率的调整； 将训练完成的模型在所述的遥感图像测试数据集 上进行测试， 若其检测速度与检测精度达不到预设的要求则重新设计训练策略或增加更多 迭代次数， 直至检测速度与检测精度达到预设要求， 并将符合预设要求的模型作为最终的 遥感图像目标检测模型。 6.根据权利要求1所述的一种融合注意力机制的遥感图像目标检测方法， 其特征在于 步骤5中， 所述模型验证的具体步骤为： 基于步骤4中训练完成的遥感图像目标检测模型， 将相应的遥感图像验证数据输入至 模型中， 进行模型验证， 即完成相应的遥感图像目标检测任务， 得到目标检测结果， 则为模 型验证结果。权　利　要　求　书 2/2 页 3 CN 115527118 A 3