本發(fā)明涉及遙感圖像目標(biāo)檢測，具體涉及一種基于多層次信息交互的小樣本遙感圖像目標(biāo)檢測算法。

背景技術(shù)：

1、遙感圖像目標(biāo)檢測在城市規(guī)劃、災(zāi)害應(yīng)對、環(huán)境監(jiān)測和軍事偵察等領(lǐng)域具有廣泛應(yīng)用。傳統(tǒng)深度學(xué)習(xí)目標(biāo)檢測方法，如faster?r-cnn、yolo及retinanet等，在大規(guī)模標(biāo)注數(shù)據(jù)支持下取得了顯著進(jìn)展。然而，在遙感領(lǐng)域，標(biāo)注成本高昂且耗時，尤其對于小型目標(biāo)和稀有類別，更難以獲得充足的訓(xùn)練樣本。為此，小樣本目標(biāo)檢測（few-shot?objectdetection,?fsod）被提出，旨在在僅有極少量標(biāo)注樣本（通常為每類1至10張圖像）的前提下，實現(xiàn)對新類別的有效檢測。

2、現(xiàn)有技術(shù)存在以下不足之處：

3、在遙感圖像小樣本目標(biāo)檢測中，常出現(xiàn)跨尺度語義錯配的問題。該問題主要源自于支持樣本與查詢樣本在空間分辨率、目標(biāo)尺度及語義層級上的嚴(yán)重不一致。即便經(jīng)過統(tǒng)一的特征抽取網(wǎng)絡(luò)和空間對齊處理，支持圖像中提取的高層語義特征在目標(biāo)尺度較小時仍可能與查詢圖像中的同類目標(biāo)呈現(xiàn)出語義漂移現(xiàn)象，導(dǎo)致負(fù)向遷移。同時，模型在將支持樣本的特征遷移至查詢樣本時，不僅未能增強(qiáng)識別能力，反而因錯誤的語義關(guān)聯(lián)削弱了模型的判別能力。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種基于多層次信息交互的小樣本遙感圖像目標(biāo)檢測算法，以解決背景技術(shù)中不足。

2、為了實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于多層次信息交互的小樣本遙感圖像目標(biāo)檢測算法，包括：

3、獲取查詢圖像和多個支持圖像，并分別輸入至并行的特征提取主干網(wǎng)絡(luò)中，提取多層次特征表示；

4、在淺層特征階段，采用雙分支編碼方式，分別對查詢特征和支持特征進(jìn)行鍵值映射，并基于特征相似性進(jìn)行動態(tài)注意權(quán)重計算，實現(xiàn)關(guān)鍵區(qū)域的特征對齊與融合；

5、在深層特征階段，針對與查詢目標(biāo)同類的正類支持圖像，構(gòu)建區(qū)域級語義相似性矩陣，結(jié)合自區(qū)分性圖加權(quán)計算區(qū)域間相似度，實現(xiàn)高層語義的對齊；

6、通過語義增強(qiáng)技術(shù)進(jìn)一步篩選支持特征中具有區(qū)分度的特征區(qū)域，并抑制背景干擾信息；

7、將經(jīng)多層次交互更新后的查詢特征輸入目標(biāo)檢測頭，完成目標(biāo)分類與邊界框回歸，輸出遙感圖像中的檢測結(jié)果。

8、優(yōu)選的，將待檢測的遙感圖像作為查詢圖像，并從訓(xùn)練集中選取m類中每類k張標(biāo)注樣本圖像作為支持圖像集合；其中，；

9、構(gòu)建具有相同結(jié)構(gòu)的雙分支主干網(wǎng)絡(luò)，分別用于處理查詢圖像和支持圖像，所述主干網(wǎng)絡(luò)基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建；

10、將查詢圖像輸入至查詢分支網(wǎng)絡(luò)，依次經(jīng)過多個卷積層，提取淺層特征、中層特征和深層特征；同理，將每張支持圖像輸入至支持分支網(wǎng)絡(luò)，提取對應(yīng)的多尺度特征；對所有輸出的特征圖進(jìn)行通道歸一化處理。

11、優(yōu)選的，在淺層特征階段，提取得到的淺層查詢圖像特征表示為，支持圖像特征表示為，其中h、w為特征圖的空間尺寸，c為通道數(shù)；

12、使用兩個獨立的卷積編碼器對查詢特征和支持圖像特征進(jìn)行投影變換，分別生成鍵和值映射：查詢圖像鍵、值映射：；支持圖像鍵、值映射：；其中，和均為1×1的卷積操作，將和展平為二維矩陣；其中，；計算查詢特征與支持特征之間的點對相似性權(quán)重。

13、優(yōu)選的，根據(jù)相似性權(quán)重，將支持圖像的值映射加權(quán)求和，融合到查詢特征中；

14、將原始查詢圖像的值映射與交互后的圖像特征拼接，并通過卷積整合：；其中：表示在通道維度上拼接，為1×1卷積層，是基于支持圖信息更新后的查詢特征表達(dá)，最終輸出為交互增強(qiáng)后的查詢特征。

15、優(yōu)選的，在深層特征階段，查詢圖像深層特征，對查詢特征和每個正類支持特征進(jìn)行卷積編碼，提取語義對齊所需的鍵特征表示：查詢鍵映射：；每個支持圖像鍵映射：；其中：表示1×1卷積編碼器，是降維后的通道數(shù)，hw和hw分別表示查詢圖像與支持圖像的展平空間維度；對每個正類支持圖像，計算其與查詢圖像之間所有區(qū)域的相似性得分矩陣。

16、優(yōu)選的，為了提升對具有顯著語義區(qū)域的關(guān)注度，引入支持圖像的自區(qū)分性圖：對每個支持圖像特征通過卷積操作提取區(qū)分性響應(yīng)圖；對相似性矩陣進(jìn)行加權(quán)調(diào)制，得到最終區(qū)域相似度；將所有正類支持圖像特征匯總為一個增強(qiáng)表示，并與查詢圖像進(jìn)行融合，加權(quán)聚合支持特征；最終輸出加權(quán)聚合支持特征包含查詢圖像原始語義與支持圖語義對齊后的增強(qiáng)信息。

17、優(yōu)選的，將支持圖像的深層特征表示為：；通過1×1卷積操作對通道進(jìn)行壓縮，獲得語義概括特征圖，突出關(guān)鍵語義區(qū)域；其中，；

18、基于生成語義注意力圖，用于表示各空間位置的語義重要性，表達(dá)式為：；其中：為帶有非線性激活的卷積操作，保證輸出權(quán)重值在(0,1)范圍內(nèi)；將語義注意力圖作為權(quán)重，作用于原始的支持圖像特征，突出區(qū)分性區(qū)域并抑制低權(quán)值：；其中：表示逐位置通道廣播乘法；為增強(qiáng)后的支持圖語義特征；對增強(qiáng)后的支持特征進(jìn)行歸一化處理得到，最終輸出將作為后續(xù)深層語義交互或特征匹配的輸入。

19、優(yōu)選的，將經(jīng)過淺層交互與深層語義對齊處理后的查詢圖像特征，采用區(qū)域建議網(wǎng)絡(luò)在特征圖上生成多個候選目標(biāo)區(qū)域，即候選框區(qū)域；

20、對每個候選框區(qū)域，在特征圖中提取對應(yīng)區(qū)域的特征，進(jìn)行空間對齊并統(tǒng)一尺寸，將每個roi特征輸入目標(biāo)檢測頭，包括分類分支和回歸分支，分別進(jìn)行目標(biāo)類別預(yù)測與位置精修；

21、根據(jù)回歸偏移調(diào)整候選框的位置和尺寸，得到預(yù)測邊界框；對所有預(yù)測結(jié)果執(zhí)行非極大值抑制以去除重復(fù)預(yù)測，保留置信度最高的檢測結(jié)果，輸出為遙感圖像目標(biāo)檢測結(jié)果。

22、在上述技術(shù)方案中，本發(fā)明提供的技術(shù)效果和優(yōu)點：

23、1、本發(fā)明針對現(xiàn)有技術(shù)中支持圖像與查詢圖像在尺度、語義和空間結(jié)構(gòu)上的顯著差異所引發(fā)的語義錯配與負(fù)向遷移問題，構(gòu)建了從淺層到深層的多階段特征交互機(jī)制。通過在淺層特征階段引入雙分支編碼與動態(tài)注意力機(jī)制，實現(xiàn)關(guān)鍵區(qū)域的精確對齊；在深層階段構(gòu)建區(qū)域級語義相似矩陣，并結(jié)合支持圖像自區(qū)分性圖加權(quán)區(qū)域匹配，顯著提升了語義層級的一致性。同時，借助語義增強(qiáng)模塊對支持特征進(jìn)行語義重要性建模，有效壓制背景噪聲干擾，增強(qiáng)了目標(biāo)區(qū)域的判別能力。

24、2、本發(fā)明在小樣本條件下實現(xiàn)了對遙感圖像中復(fù)雜、多樣目標(biāo)的高精度檢測，尤其適用于目標(biāo)尺度小、類別不平衡、標(biāo)注困難的遙感應(yīng)用場景。該方法不僅提升了特征遷移的有效性，還增強(qiáng)了檢測模型對關(guān)鍵區(qū)域的聚焦能力和對復(fù)雜背景的魯棒性，在降低對大規(guī)模標(biāo)注數(shù)據(jù)依賴的同時，顯著提升了模型的泛化能力與實用性，具有較高的工程價值與應(yīng)用前景。

技術(shù)特征：

1.一種基于多層次信息交互的小樣本遙感圖像目標(biāo)檢測算法，其特征在于：包括：

2.根據(jù)權(quán)利要求1所述的一種基于多層次信息交互的小樣本遙感圖像目標(biāo)檢測算法，其特征在于：將待檢測的遙感圖像作為查詢圖像，并從訓(xùn)練集中選取m類中每類k張標(biāo)注樣本圖像作為支持圖像集合；其中，；

3.根據(jù)權(quán)利要求1所述的一種基于多層次信息交互的小樣本遙感圖像目標(biāo)檢測算法，其特征在于：在淺層特征階段，提取得到的淺層查詢圖像特征表示為，支持圖像特征表示為，其中h、w為特征圖的空間尺寸，c為通道數(shù)；

4.根據(jù)權(quán)利要求3所述的一種基于多層次信息交互的小樣本遙感圖像目標(biāo)檢測算法，其特征在于：根據(jù)相似性權(quán)重，將支持圖像的值映射加權(quán)求和，融合到查詢特征中；

5.根據(jù)權(quán)利要求1所述的一種基于多層次信息交互的小樣本遙感圖像目標(biāo)檢測算法，其特征在于：在深層特征階段，查詢圖像深層特征，對查詢特征和每個正類支持特征進(jìn)行卷積編碼，提取語義對齊所需的鍵特征表示：查詢鍵映射：；每個支持圖像鍵映射：；其中：表示1×1卷積編碼器，是降維后的通道數(shù)，hw和hw分別表示查詢圖像與支持圖像的展平空間維度；對每個正類支持圖像，計算其與查詢圖像之間所有區(qū)域的相似性得分矩陣。

6.根據(jù)權(quán)利要求5所述的一種基于多層次信息交互的小樣本遙感圖像目標(biāo)檢測算法，其特征在于：為了提升對具有顯著語義區(qū)域的關(guān)注度，引入支持圖像的自區(qū)分性圖：對每個支持圖像特征通過卷積操作提取區(qū)分性響應(yīng)圖；對相似性矩陣進(jìn)行加權(quán)調(diào)制，得到最終區(qū)域相似度；將所有正類支持圖像特征匯總為一個增強(qiáng)表示，并與查詢圖像進(jìn)行融合，加權(quán)聚合支持特征；最終輸出加權(quán)聚合支持特征包含查詢圖像原始語義與支持圖語義對齊后的增強(qiáng)信息。

7.根據(jù)權(quán)利要求1所述的一種基于多層次信息交互的小樣本遙感圖像目標(biāo)檢測算法，其特征在于：將支持圖像的深層特征表示為：；通過1×1卷積操作對通道進(jìn)行壓縮，獲得語義概括特征圖，突出關(guān)鍵語義區(qū)域；其中，；

8.根據(jù)權(quán)利要求7所述的一種基于多層次信息交互的小樣本遙感圖像目標(biāo)檢測算法，其特征在于：將經(jīng)過淺層交互與深層語義對齊處理后的查詢圖像特征，采用區(qū)域建議網(wǎng)絡(luò)在特征圖上生成多個候選目標(biāo)區(qū)域，即候選框區(qū)域；

技術(shù)總結(jié)
本發(fā)明公開了一種基于多層次信息交互的小樣本遙感圖像目標(biāo)檢測算法，具體涉及遙感圖像目標(biāo)檢測技術(shù)領(lǐng)域；通過并行主干網(wǎng)絡(luò)提取查詢圖像與支持圖像的多尺度特征，在淺層階段引入鍵值編碼與動態(tài)注意機(jī)制實現(xiàn)關(guān)鍵區(qū)域?qū)R，在深層階段構(gòu)建區(qū)域級語義相似性矩陣，并融合自區(qū)分性圖增強(qiáng)高層語義對齊效果；同時，通過語義增強(qiáng)模塊篩選支持特征中具有判別力的區(qū)域，抑制背景干擾。最終將融合后的查詢特征輸入檢測頭，完成精確分類與邊界框回歸，有效提升了小樣本條件下目標(biāo)檢測的準(zhǔn)確性與魯棒性，解決了特征遷移失效和語義不一致帶來的性能瓶頸。

技術(shù)研發(fā)人員：付博,何月順,陳杰,熊凌龍
受保護(hù)的技術(shù)使用者：東華理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15