(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 202210446366.6 (22)申请日 2022.04.26 (71)申请人 哈尔滨理工大 学 地址 150080 黑龙江省哈尔滨市南岗区学 府路52号 (72)发明人 孟庆松　张海　 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/46(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于深度学习的遥感图像目标检测系 统 (57)摘要 本发明公开了一种基于深度学习的遥感图 像目标检测系统， 涉及图像目标检测技术领域； 它的检测方法为： 融合成一个整体的模块， 该模 块用来替代原检测算法中的主干网络ResNet ‑ 101， 输入图像； HRNet高分辨率网络； 类FPN结构 进行特征融合； 通道域注意力机制； 空间域注意 机制； 特征图； 关键点预测； 极坐标系的极径， 极 角预测； 获取极点坐标 （x,y） ， 获取极径和极角； 最终输出目标预测框； 本发明针对遥感图像的众 多检测难点将其整合成一种适合遥感图像目标 检测方法来实现快速检测， 同时减少了检测的工 作量， 缩短时间； 能够实现准确的目标检测， 并且 网络检测精度更高。 权利要求书1页 说明书3页 附图3页 CN 114913428 A 2022.08.16 CN 114913428 A 1.一种基于深度 学习的遥感图像目标检测系统， 其特征在于： 它的检测方法为： 融合成 一个整体的模块， 该模块用来替代原检测算法中的主干网络ResNet ‑101， (1)、 输入图像； (2)、 HRNet高分辨率网络； (3)、 类FPN结构进行特征融合； (4)、 通道域注意力机制； (5)、 空间 域注意机制； (6)、 特征图； (7)： (7.1)、 关键点预测； (7.2)、 极坐标系的极径， 极角预测； (8)： (8.1)、 获取极点 坐标 （x,y） ， (8.2)、 获取极径和极角； (9)、 最终输出目标 预测框。权　利　要　求　书 1/1 页 2 CN 114913428 A 2一种基于深度学习的遥感图像目标 检测系统 技术领域 [0001]本发明属于图像目标检测技术领域， 具体涉及一种基于深度学习的遥感图像目标 检测系统。 背景技术 [0002]基于遥感图像的目标检测任务是对图像中特定类别物体的识别与定位， 对海域船 只管控、 环境质量监测、 地面规划布局等都有很重要的作用。 因此， 如何提升目标检测的性 能， 以获取定位更加精确、 分类更加细致的检测结果成为该领域的重点研究内容。 遥感图像 目标检测任务中定位和识别的首要条件是针对图像的特征进 行提取。 传统检测方法有模板 匹配法、 基于区域先验的方法、 图像分析法等， 这些方法均要手动设计特征， 特征的专用性 强， 不具有跨类别的普适 性。 [0003]现如今， 我国航天技术飞速发展， 遥感技术也在不断的进步提升和成熟， 遥感图像 的获取相对于之前更加的便捷和高效， 具有数据量大、 种类丰富、 成像清晰、 时效性高等特 点， 非常符合当前社会大数据时代的发展趋势。 因此， 这为遥感图像检测技术的发展奠定了 坚实的基础， 可以为深度学习 方法提供更多有价值、 丰富多样的数据信息。 目前， 针对遥感 图像， 可以将深度学习目标检测方法迁移至遥感检测领域。 但是 由于遥感 图像与自然场景 图像存在一定的区别， 其成像方式不同使 得遥感图像具有本身独有的特点， 例如分辨率高、 目标小且密集排列、 背景复杂等。 因此， 需要对迁移的方法进行有针对性的改进， 从而解决 遥感图像检测中的难点问题， 克服这些关键性的检测难点成为这一领域许多 学者的重点研 究方向。 可见光遥感图像目标检测目前存在的挑战有： 1、 随着分辨率的提高、 成像区域的扩 大， 可见光遥感图像中存在大量复杂的自然和人造背 景， 对目标的检测产生严重干扰。 2、 方 向变化大： 遥感图像从空中视角进 行拍摄， 场景为俯视图,  目标以多种角度分布在场景中,   现有多数算法对角度的适应性不高,  在处理多方向问题时不够鲁棒。 此外经典的水平框定 位方式在 对多方向目标进 行定位时,  包围框不够紧凑,  定位不够精细。 3、 遥感图像目标的 尺度变化较大， 为解决此问题有锚检测器需要设置多种尺度的锚， 在锚匹配过程中会引入 大量低质量的正样本锚， 从而影响检测 器的检测精度。 4、 有锚的检测方法中锚的设计严重 依赖人的经验， 对数据集有很强的针对性， 更 换数据集就需要重新设计， 缺少泛化 性。 发明内容 [0004]为解决背景技术中的问题； 本发明的目的在于提供一种基于深度学习的遥感图像 目标检测系统。 [0005]本发明的一种基于深度学习的遥感图像目标检测系统， 它的检测方法为： 融合成 一个整体的模块， 该模块用来替代原检测算法中的主干网络ResNet ‑101， (1)、 输入图像； (2)、 HRNet高分辨率网络； (3)、 类FPN结构进行特征融合； (4)、 通道域注意力机制； (5)、 空间 域注意机制； (6)、 特征图； (7)： (7.1)、 关键点预测； (7.2)、 极坐标系的极径， 极角预测； (8)： (8.1)、 获取极点 坐标 （x,y） ， (8.2)、 获取极径和极角； (9)、 最终输出目标 预测框。说　明　书 1/3 页 3 CN 114913428 A 3