技术摘要：
本发明公开了一种基于计算机视觉和深度学习的高分辨率图像中小目标自动检测方法，主要步骤包括：首先将原有小目标检测任务进行在不同尺度上进行分解，得到多尺度任务组。然后分别在不同尺度下训练低分辨率检测器，并应用其进行检测，得到不同尺度下的检测结果。最后将  全部
背景技术：
目前应用比较广泛的基于深度学习的目标检测器主要可以分为两类：第一类是两 步(two  stage)目标检测器，如Fast  R-CNN，Faster  R-CNN，Mask  R-CNN等，这些算法特点都 是将目标检测分为两个阶段：首先提取候选区域，然后再将其送入检测网络完成对目标的 定位与识别。第二类是单步(one  stage)目标检测算法，如Single  Shot  Detection(SSD)、 You  Look  Only  Once(YOLO)，YOLO  9000，YOLO  V3等，此类算法不需要预先提取候选框，而 是直接通过网络中预设框来完成目标位置的回归和类别的判断，是一种端到端的目标检测 算法。在待检测目标尺度较大且不密集的场景下，两步目标检测器和单步目标检测器都具 有较高的检测精度，而后者相较前者有更快的检测速度。然而由于受到目标实际大小、拍摄 设备、拍摄距离、观测尺度等因素的影响，真实目标在图像中往往会表现为小目标。与大目 标相比，小目标的像素更少、可提取的特征也不明显。在对这些小目标进行检测时，无论是 两步还是单步检测器都难以取得较好的检测效果。 目前针对小目标检测算法的优化主要集中在模型的改进上，即在输入低分辨率图 像尺寸不变的前提上，通过改进模型结构提升检测器的特征提取能力以及其检测精度。目 前比较有效的改进算法是特征金字塔网络(Feature  Pyramid  Networks)。该网络可嵌入到 上述两步、单步检测器中，其可将主体网络生成的低层次特征图与高层次特征图以特定方 式进行融合，完成对特征金字塔的重构。这样操作后低层次的特征图感受野范围提升，其语 义信息得到增强，最终使得模型对小目标检测的精度有了很大提升。 虽然上述改进可以提升模型检测精度，但是这些模型处理的对象仍然是低分辨率 图像。随着摄像设备硬件性能的提升，人们可以获得更高分辨率的图像。而与低分辨率图像 相比，小目标在高分辨率图像中可以用更多的像素来表征，即可以被更加清晰的刻画出来。 这一特点为小目标检测任务提供了有效的数据支撑。虽然获得了数据上的支撑，但目前的 检测算法基本都不适用于分辨率高达几千万像素的图像。但如果将高分辨率图像进行下采 样以适应检测模型，又将丢失信息，无法充分地利用高分辨率图像的特点，最终也很难对小 目标进行检测。针对高分辨率图像小目标检测问题，基于高分辨率卫星影像的目标检测流 程Satellite  Imagery  Multiscale  Rapid  Detection  with  Windowed  Networks (SIMRDWN)利用快速检测器对通过滑窗获取的候选区域进行检测，可以完成对任意尺寸高 分辨率图像的快速检测任务。但是该方法检测精度低、虚警多，且执行时间较长。针对此问 题，本专利提出了一种简单有效的办法来解决高分辨率图像中小目标检测的问题。该算法 将原始检测任务在图像的不同尺度上进行拆分，得到具有逻辑关联的多尺度检测任务组； 然后分别针对不同尺度下的检测任务训练相应的低分辨率目标检测器；最后将各尺度下的 4 CN 111582093 A 说　明　书 2/8 页 检测结果进行融合得到最终的缺陷标检测结果。研究目的在于构建基于深度神经网络的模 式识别框架，探索基于高分辨率图像的小目标检测方法。
技术实现要素：
针对现有技术中的问题，本发明提供一种高分辨率图像中小目标自动检测方法， 该方法解决了现有技术中目标检测器难以在高分辨率图像进行微小目标检测的难题。 本方法分为检测和训练流程，一种基于计算机视觉和深度学习的高分辨率图像中 小目标自动检测方法，其特征在于，步骤如下： S1检测流程 S1.1建立多尺度任务组 依据高斯金字塔理论对原始待检测高分辨率图像建立双尺度图像金字塔，并将小 目标检测任务在这两个尺度下进行适当分解得到多尺度任务组。其中，在大尺度下设置与 小目标没有包含关系的大目标分割任务，而在小尺度下设置原始小目标检测任务。 S1.2大尺度下的目标分割 在大尺度下，利用Mask  R-CNN模型对大尺度图像进行实例分割，并将得到的低分 辨率掩膜进行上采样恢复成原始图像分辨率大小。 S1.3小尺度下目标检测 在小尺度下，利用重叠滑窗提取小尺度图像中的候选区域，并依据掩膜Mask对候 选区域进行筛选，将与Mask中大目标区域没有交集的候选区域送入目标检测器SSD检测。在 对所有候选区域检测完成后，将这些检测结果从子区域映射回原图。 S1.4双尺度下分割与检测结果融合 利用大尺度下得到的分割掩膜对小尺度下得到的检测框进行二次筛选。首先对分 割掩膜进行形态学处理，然后将出现在大目标区域的检测框删除，最后应用非极大值抑制 对重叠检测框进行融合，得到高分辨率图像中小目标的最终检测结果。 S2训练流程 S2.1分割模型训练 利用大尺度下的图片及标注信息，以迁移学习的方式训练Mask  RCNN模型，保存在 验证集上表现最好的节点作为训练好的分割模型ModelS。 S2.2检测模型初次训练 对小尺度高分辨率图像中的缺陷周边区域按特定方式进行随机裁剪，得到符合 SSD模型输入尺寸大小的切片样本集。以迁移学习的方式训练SSD模型，保存在验证集上表 现最好的节点作为训练好的分割模型ModelD1。 S2.3检测模型二次训练 将训练好的ModelS和ModelD1嵌入到上述检测流程中，并依照其对高分辨率图集进 行检测。将结果中的误检框剪裁出来作为单独一类加入到原始切片集中，并使用该新训练 集对检测模型ModelD1进行重新训练，得到二次训练模型ModelD2。最后用该二次训练模型 ModelD2替换原检测框架中的目标检测器ModelD1，完成最终检测框架的搭建。 综上所述，本发明利用一种多尺度分割与检测模型结合的方式完成对高分辨率图 像中小目标的自动检测。同时，本发明的主要工作是联合深度学习模型在多个尺度上对图 5 CN 111582093 A 说　明　书 3/8 页 片内容进行理解，利用不同信息提升检测精度并加快检测效率。 附图说明 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可 以根据这些附图获得其它的附图。 图1为本发明提出的高分辨率图像小目标检测方法流程示意图； 图2为本发明实施例提供的楼面高分辨率图像微小缺陷检测方法流程图； 图3为本发明实施例提供的包含缺陷的楼面高分辨率图像； 图4为本发明实施例提供的大尺度下的非墙体区域分割算法； 图5为本发明实施例提供的窗口内采样方式示意； 图6为本发明实施例提供的小尺度下的缺陷检测算法； 图7为本发明实施例提供的单尺度与多尺度融合检测效果对比。(a)为小尺度上的 检测结果；(b)为融合分割掩膜后的小尺度检测结果； 图8为本发明实施例提供的Mask-RCNN的训练结果。(a)为验证集上的mAP变化；(b) 为模型检测效果示意图； 图9为本发明实施例提供的SSD的训练结果。(a)为验证集上的mAP变化；(b)为模型 检测效果示意图； 图10为本发明实施例提供的二次训练前后检测算法在验证集图像上的表现。(a) 为二次训练前的检测结果1；(b)为二次训练后的检测结果1；(c)为二次训练前的检测结果 2；(d)为二次训练后的检测结果2。