一种遥感图像的识别方法和装置、设备、可读存储介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种遥感图像的识别方法和装置、设备、可读存储介质。


背景技术：

2.随着我国高分辨率卫星的不断升空，无人机技术的飞速发展，能够获得的遥感图像种类越来越多，分辨率也在不断提高，这些种类丰富高分辨率的遥感图像为遥感图像目标检测和状态识别提供了强大的数据支撑。
3.目前常用的目标检测方法为基于深度学习的单阶段和双阶段的目标检测方法，如yolo系列和fast rcnn系列。yolo系列和fast rcnn系列的目标检测模型应用在自然场景下进行检测时，能够取得良好的检测效果。但是对于场景复杂的情况下，由于冷却塔遥感图像中目标尺度较小、图像排列密集、分辨率较高，导致大量不同物体可能会具有相同或相似的特征，导致实际应用时会产生大量的误检，检测准确率较低。


技术实现要素：

4.本技术提供了一种遥感图像的识别方法和装置、设备、可读存储介质，用于解决目前对于高分辨率遥感图像中目标检测的准确率较低的问题。
5.为达到上述目的，本技术采用如下技术方案：
6.第一方面，本技术提供了一种遥感图像的识别方法，包括：获取遥感图像。将获取到的遥感图像输入至训练后的特征提取网络，确定遥感图像的特征图。将遥感图像的特征图输入至区域候选网络，确定遥感图像的候选区域和修正位置信息。利用修正位置信息对候选区域进行修正，确定目标预测区域。
7.本技术提供的遥感图像的识别方法，通过获取遥感图像，将该遥感图像输入至训练后的特征提取网络，确定遥感图像的特征图，进而将特征图输入至区域候选网络，提取该特征图中候选区域和修正位置信息，最后利用修正位置信息修正该候选区域，可以得到准确率更高的目标预测区域。
8.一种可能的实现方式中，将遥感图像输入至训练后的特征提取网络，确定遥感图像的特征图，包括：将遥感图像输入至残差网络，确定遥感图像的至少一个浅层特征图。将至少一个浅层特征图进行特征融合，得到至少一个浅层特征图的至少一个深层特征图。
9.一种可能的实现方式中，残差网包括：第一残差块、第二残差块、第三残差块、第四残差块、第五残差块、注意力模块。将遥感图像输入至残差网络，确定遥感图像的至少一个浅层特征图，包括：将遥感图像输入第一残差块，确定第一浅层特征图。将第一浅层特征图输入第二残差块和注意力模块，确定第二浅层特征图。将第二浅层特征图输入第三残差块和注意力模块，确定第三浅层特征图。将第三浅层特征图输入第四残差块和注意力模块，确定第四浅层特征图。将第四浅层特征图输入第五残差块和注意力模块，确定第五浅层特征图。
10.该可能的实现方式中，通过将浅层特征图输入至残差块和注意力模块中，可以使得到的特征图中的关键目标带有更多的权重信息，将模型聚焦于该关键目标，降低对特征图中其他信息的关注的，解决信息过载问题的同时，提高任务处理效率和准确性。
11.一种可能的实现方式中，至少一个浅层特征图包括：第二浅层特征图、第三浅层特征图、第四特征图、第五特征图。将至少一个浅层特征图进行特征融合，得到至少一个浅层特征图的至少一个深层特征图，包括：对第五浅层特征图卷积，确定第一深层特征图。对第四浅层特征图和第一深层特征图进行上采样和像素相加，确定第二深层特征图。对第三浅层特征图和第二深层特征图进行上采样和像素相加，确定第三深层特征图。对第二浅层特征图和第三深层特征图进行上采样和像素相加，确定第四深层特征图。
12.该可能的实现方式中，通过将经过残差块和注意力模块输出的特征图与下一层残差块和注意力模块的特征图进行上采样和像素相加，可以得到同时拥有两层特征图的特征信息的特征图，增加特征图的特征信息的同时，提高后续特征融合准确性。
13.一种可能的实现方式中，将特征图输入至区域候选网络，确定遥感图像的候选区域和修正位置信息，包括：将特征图输入至区域候选网络，通过锚框确定特征图的候选建议区域。将特征图和候选建议区域输入至池化层和全连接层，确定遥感图像的候选区域和修正位置信息。
14.第二方面，本技术还提供了一种遥感图像的识别装置，包括：获取模块、确定模块。
15.其中，获取模块，用于获取遥感图像。
16.确定模块，用于将遥感图像输入至训练后的特征提取网络，确定遥感图像的特征图。将特征图输入至区域候选网络，确定遥感图像的候选区域和修正位置信息。利用修正位置信息对候选区域进行修正，确定目标预测区域。
17.一种可能的实现方式，确定模块，具体用于将遥感图像输入至残差网络，确定遥感图像的至少一个浅层特征图。
18.本技术提供的遥感图像的识别装置，还包括：
19.融合模块，用于将至少一个浅层特征图进行特征融合，得到至少一个浅层特征图的至少一个深层特征图。
20.一种可能的实现方式，残差网包括：第一残差块、第二残差块、第三残差块、第四残差块、第五残差块、注意力模块。
21.确定模块，具体用于将遥感图像输入第一残差块，确定第一浅层特征图。将第一浅层特征图输入第二残差块和注意力模块，确定第二浅层特征图。将第二浅层特征图输入第三残差块和注意力模块，确定第三浅层特征图。将第三浅层特征图输入第四残差块和注意力模块，确定第四浅层特征图。将第四浅层特征图输入第五残差块和注意力模块，确定第五浅层特征图。
22.一种可能的实现方式，至少一个浅层特征图包括：第二浅层特征图、第三浅层特征图、第四特征图、第五特征图。
23.融合模块，具体用于对第五浅层特征图卷积，确定第一深层特征图。对第四浅层特征图和第一深层特征图进行上采样和像素相加，确定第二深层特征图。对第三浅层特征图和第二深层特征图进行上采样和像素相加，确定第三深层特征图。对第二浅层特征图和第三深层特征图进行上采样和像素相加，确定第四深层特征图。
24.一种可能的实现方式，确定模块，具体用于将特征图输入至区域候选网络，通过锚框确定特征图的候选建议区域。将特征图和候选建议区域输入至池化层和全连接层，确定遥感图像的候选区域和修正位置信息。
25.第三方面，本技术提供了一种遥感图像的识别设备，该遥感图像的识别设备具有实现上述第一方面或任一种可能的实现方式的遥感图像的识别方法的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。
26.第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机可以执行上述第一方面或第一方面中任一种可能的实现方式的遥感图像的识别方法。
27.其中，第二方面至第四方面中任一种设计方式所带来的技术效果可参见第一方面中不同设计方式所带来的技术效果，此处不再赘述。
28.本技术中第二方面到第四方面及其各种实现方式的具体描述，可以参考第一方面及其各种实现方式中的详细描述；并且，第二方面到第四方面及其各种实现方式的有益效果，可以参考第一方面及其各种实现方式中的有益效果分析，此处不再赘述。
29.本技术的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
30.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
31.图1为本技术实施例提供的一种遥感图像的识别系统的一个结构示意图；
32.图2为本技术实施例提供的一种遥感图像的识别方法的一个流程示意图；
33.图3为本技术实施例提供的一种特征提取网络的一个结构示意图；
34.图4为本技术实施例提供的一种区域候选网络的一个结构示意图；
35.图5为本技术实施例提供的一种检测模型的训练方法的一个流程示意图；
36.图6为本技术实施例提供的一种遥感图像的识别方法的一个具体流程图；
37.图7为本技术实施例提供的一种遥感图像的识别方法的另一个具体流程图；
38.图8为本技术实施例提供的一种遥感图像的识别装置的一个结构示意图；
39.图9为本技术实施例提供的一种遥感图像的识别装置的另一个结构示意图；
40.图10为本技术实施例提供的一种遥感图像的识别设备的一个结构示意图。
具体实施方式
41.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。其中，在本技术的描述中，除非另有说明，“/”表示前后关联的对象是一种“或”的关系，例如，a/b可以表示a或b；本技术中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况，其中a,b可以是单数或者复数。并且，在本技术的描述中，除非另有说明，“多个”是指两个或
多于两个。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b，或c中的至少一项(个)，可以表示：a，b，c，a-b，a-c，b-c，或a-b-c，其中a，b，c可以是单个，也可以是多个。另外，为了便于清楚描述本技术实施例的技术方案，在本技术的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。同时，在本技术实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本技术实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念，便于理解。
42.此外，本技术实施例描述的网络架构以及业务场景是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域普通技术人员可知，随着网络架构的演变和新业务场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
43.为了便于理解，先对本技术涉及的相关技术术语进行解释。
44.特征图，带有特征的图像。该特征可以包括：颜色特征、纹理特征、形状特征、空间关系特征等。
45.注意力机制，是指在计算能力有限的情况下，将计算资源分配给更重要的任务。例如在神经网络学习中，一般而言模型的参数越多则模型的表达能力越强，模型所存储的信息量也越大，但是这会带来信息过载的问题。通过引入注意力机制，为特征图中的关键目标添加更多的权重信息，以将模型聚焦于对关键目标，降低对特征图中其他信息的关注度，甚至过滤掉无关信息，可以解决信息过载的问题，并提高任务的处理效率和准确性。
46.目前，常用的目标检测方法为基于深度学习的单阶段和双阶段的目标检测方法，例如，单阶段的目标检测方法为yolo系列、双阶段的目标检测方法为fast rcnn系列。但是，这两类方法仅适用于简单的自然场景，如果在背景复杂、目标尺度小、排列密集、分辨率高的遥感图像中，对于遥感图像中的冷却塔的识别准确度较低。
47.基于此，本技术提供了一种遥感图像的识别方法，其基本原理为：获取遥感图像，将遥感图像输入至训练后的特征提取网络，确定遥感图像的特征图，再将特征图输入至区域候选网络，确定遥感图像的候选区域和修正位置信息，最后利用修正位置信息对候选区域进行修正，确定目标冷却塔。本技术通过将遥感图像输入至训练后的特征提取网络以确定该遥感图像的特征图，进而将特征图输入至区域候选网络，确定遥感图像的候选区域和修正位置信息，最后利用修正位置信息对候选区域进行修正，可以得到遥感图像中目标冷却塔，提高了目标冷却塔的识别精度。
48.下面将结合附图对本技术实施例的实施方式进行详细描述。
49.本技术提供的方案可以应用于图1示意的遥感图像的识别系统100中，该系统包括：图像采集模块101、特征提取网络102、区域候选网络103、修正模块104、显示模块105。
50.其中，图像采集模块101用于采集高分辨率的遥感图像，并将采集到的遥感图像输入至特征提取网络102中。
51.需要说明的是，图像采集模块101可以为摄像头、摄像机、相机、扫描仪、机载三维
成像仪等其他带有图像采集功能的设备，本技术不予限定。同时，该图像采集模块101可以部署于无人机，用于采集遥感图像。
52.特征提取网络102用于接收图像采集模块101输入的遥感图像，并按照本技术提供的方法，确定该遥感图像的特征图。
53.区域候选网络103用于对特征提取网络102确定的特征图进行处理，确定遥感图像的候选区域和修正位置信息。
54.修正模块104用于利用修正位置信息对遥感图像的候选区域进行修正，得到遥感图像的目标冷却塔的识别结果。
55.显示模块105用于将目标冷却塔的识别结果显示给用户。
56.需要说明的是，该显示模块105可以为客户端、显示器等可以为用户提供图片播放界面的设备，本技术对此不予限定。
57.需要说明的是，上述图1示意的遥感图像的识别系统100，仅是对本技术方案的应用场景举例说明，并不是对本技术方案应用场景的限定。
58.下面将结合附图对本技术实施例提供的实施方案进行详细描述。
59.一方面，本技术公开了一种遥感图像的识别方法。如图2所示，该方法包括：
60.s201，获取遥感图像。
61.具体的，获取遥感图像的过程可以为：摄影成像、扫描成像或雷达成像中的一种或多种，本技术对此不予限定。
62.其中，摄影成像是指通过将卤化银物质均匀涂布在片基上制成感光胶片，扫描成像是逐点逐行获取二维图像，雷达成像则是通过发射机向侧面发射一束窄脉冲，被接收机接收后形成遥感图像。
63.s202，将遥感图像输入至训练后的特征提取网络，确定遥感图像的特征图。
64.具体的，将遥感图像输入至残差网络，确定遥感图像的至少一个浅层特征图，将述至少一个浅层特征图进行特征融合，得到至少一个浅层特征图的至少一个深层特征图。
65.其中，如图3所示，图3为特征提取网络的一个结构示意图。残差网络包括：第一残差块、第二残差块、第三残差块、第四残差块、第五残差块和注意力模块。
66.示例性的，将遥感图像输入至第一残差块，通过卷积特征提取得到该遥感图像的第一浅层特征图。将第一浅层特征图输入至第二残差块，通过卷积特征提取得到该第一浅层特征图的特征图1，将特征图1输入至注意力模块，得到第二浅层特征图。将第二浅层特征图输入至第三残差块，通过卷积特征提取，得到该第二浅层特征图的特征图2，将特征图2输入至注意力模块，得到第三浅层特征图。将第三浅层特征图输入至第四残差块，通过卷积特征提取，得到该第三浅层特征图的特征图3，将特征图3输入至注意力模块，得到第四浅层特征图。将第四浅层特征图输入至第五残差块，通过卷积特征提取，得到该第四浅层特征图的特征图4，将特征图4输入至注意力模块，得到第五浅层特征图。
67.其中，卷积特征提取可以为对特征图的每个图像区域进行卷积运算。注意力模块为利用注意力机制算法对特征图进行权重调整，使得特征图中的关键目标(例如目标冷却塔)拥有更多的权重信息。
68.进一步的，在得到第一浅层特征图、第二浅层特征图、第三浅层特征图、第四浅层特征图、第五浅层特征图之后，将至少一个浅层特征图进行特征融合，得到至少一个浅层特
征图的至少一个深层特征图。
69.示例性的，对第五浅层特征图进行一次卷积运算，得到第一深层特征图。对第四浅层特征图和第一深层特征图进行上采样，并将上采样后的第四浅层特征图和第一深层特征图像素相加，得到第二深层特征图。对第三浅层特征图和第二深层特征图进行上采样，并将上采样后的第三浅层特征图和第二深层特征图像素相加，得到第三深层特征图。对第二浅层特征图和第三深层特征图进行上采样，并将上采样后的第二浅层特征图和第三深层特征图像素相加，得到第四深层特征图。
70.例如，对第五浅层特征图进行一次1*1的卷积运算，得到特征图n5，并对特征图n5进行一次3*3卷积后得到第一深层特征图。对第四浅层特征图进行一次1*1的卷积运算，对卷积结果和特征图n5进行两次上采样，并将上采样的结果像素相加，得到特征图n4，再对特征图n4进行一次3*3的卷积运算，得到第二深层特征图。对第三层浅层特征图进行一次1*1的卷积运算，对卷积结果和特征图n4进行两次上采样，并将上采样的结果像素相加，得到特征图n3，再对特征图n3进行一次3*3的卷积运算，得到第三深层特征图。对第二浅层特征图进行一次1*1的卷积运算，对卷积结果和特征图n3进行两次上采样，并将上采样的结果像素相加，得到特征图n2，再对特征图n2进行一次3*3的卷积运算，得到第四深层特征图。
71.s203，将特征图输入至区域候选网络，确定遥感图像的候选区域和修正位置信息。
72.具体的，将特征图输入至区域候选网络，通过锚框确定特征图的候选建议区域。将特征图和候选建议区域输入至池化层和全连接层，确定遥感图像的候选区域和修正位置信息。
73.如图4所示，图4为区域候选网络的一个结构示意图，该区域候选网络中包括候选区域生成模块和选择模块。选择模块包括滑动窗口、卷积层、softmax分类、边界回归。
74.示例性的，将第一深层特征图、第二深层特征图、第三深层特征图、第四深层特征图分别输入至区域候选网络的候选区域生成模块得到特征图对应的锚框，利用锚框并通过iou和nms对特征筛选，得到候选建议框，该候选建议框对应的区域为深层特征图的候选区域。进而将得到的候选区域与深层特征图输入至选择模块，经过roi池化层进行候选区域的固定，再经过soft max分类，得到特征图的候选区域，经过回归运算得到特征图的修正位置信息。
75.需要说明的是，上述特征提取网络和区域候选网络的检测模型的训练过程可以如图5所示，包括：初步获取高分辨率遥感图像数据集。通过预处理操作对高分辨率遥感图像数据集进行数据增强，得到类型多样的遥感图像数据集。该预处理操作可以包括：翻转、旋转、裁剪、缩放、平移、抖动等几何变换，也可以包括：加椒盐噪声、高斯噪声、进行高斯模糊、调整hsv对比度、调节亮度、调节饱和度、直方图均衡化、调整白平衡等像素变换方法，本技术对数据预处理方法不予限定。
76.进一步的，通过统合特征金字塔和卷积注意力机制，加入选择模块，并优化识别网络，搭建模型。再基于搭建的模型，输入预处理后的高分辨率遥感图像数据集进行训练，得到成熟泛化能力强的检测模型。最后，利用遥感图像测试集对该检测模型进行验证测试得到训练后的目标检测模型。
77.s204，利用修正位置信息对候选区域进行修正，确定目标预测。
78.示例性的，修正位置信息可以包括候选区域的x和y的偏移量，候选区域的高度和
宽度的缩放因子。进而利用x和y的偏移量以及高度和宽度的缩放因子对候选区域进行调整，得到目标预测区域，该目标预测区域中带有目标冷却塔。
79.本技术提供的遥感图像的识别方法，通过获取遥感图像，将该遥感图像输入至训练后的特征提取网络，确定遥感图像的特征图，进而将特征图输入至区域候选网络，提取该特征图中候选区域和修正位置信息，最后利用修正位置信息修正该候选区域，可以得到准确率更高的目标预测区域。
80.下面将通过具体的示例，对上述图2或图3或图4或图5示意的方案进行详细描述。
81.如图6所示，利用图像采集模块采集高分辨率的遥感图像，将遥感图像输入至特征提取网络的第一个残差块(conv1)，得到第一浅层特征图，将第一浅层特征图输入至conv2，并通过卷积注意力模块(cbam)，得到第二浅层特征图，将第二浅层特征图输入至conv3，并通过cbam，得到第三浅层特征图，将第三浅层特征图输入至conv4，并通过cbam，得到第四浅层特征图，将第四浅层特征图输入至conv5，并通过cbam，得到第五浅层特征图。
82.进一步的，对第五浅层特征图进行一次1*1的卷积，得到特征图n5，对特征图n5进行一次3*3的卷积后，得到特征图p5。对第四浅层特征图进行一次1*1的卷积，与特征图n5进行两次上采样并像素相加，再经过一次3*3的卷积后，得到特征图p4。对第三浅层特征图进行一次1*1的卷积，与特征图n4进行两次上采样并像素相加，再经过一次3*3的卷积后，得到特征图p3。对第二浅层特征图进行一次1*1的卷积，与特征图n3进行两次上采样并像素相加，再经过一次3*3的卷积后，得到特征图p2。特征图p2、特征图p3、特征图p4以及特征图p5即为特征图集合。
83.再进一步的，如图7所示，将特征图集合输入至区域候选网络，将特征图p2输入至区域候选网络2，将特征图p3输入至区域候选网络3，将特征图p4输入至区域候选网络4，将特征图p5输入至区域候选网络5。最后，通过选择模块中的滑动窗口、卷积计算、softmax分类以及边界回归的不断修正，得到最终的目标检测区域，该目标检测区域为目标冷却塔所处的位置。
84.上述主要从设备的工作原理的角度对本技术实施例提供的方案进行了介绍。可以理解的是，计算设备为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的算法步骤，本技术能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
85.本技术实施例可以根据上述方法示例对计算设备进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本技术实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
86.在采用对应各个功能划分各个功能模块的情况下，图8示出了上述实施例中涉及的一种遥感图像的识别装置的一种可能的组成示意图。如图8所示，该遥感图像的识别装置800可以包括：获取模块801、确定模块802。
87.其中，获取模块801，用于支持遥感图像的识别装置800执行图2所示的遥感图像的识别方法的s201。
88.确定模块802，用于支持遥感图像的识别装置800执行2所示的遥感图像的识别方法的s202或s203或s204。
89.需要说明的是，上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述，在此不再赘述。
90.本技术实施例提供的遥感图像的识别装置800，用于执行上述遥感图像的识别方法，因此可以达到与上述遥感图像的识别方法相同的效果。
91.进一步的，如图9所示，本技术实施例提供的遥感图像的识别装置800还可以包括：融合模块803。
92.其中，融合模块803，用于支持遥感图像的识别装置800执行遥感图像的识别方法中将至少一个浅层特征图进行特征融合，得到至少一个浅层特征图的至少一个深层特征图的步骤。
93.本技术实施例还提供了一种遥感图像的识别设备，如图10所示，该遥感图像的识别设备1000可以包括存储器1001、处理器1002以及收发器1003，其中存储器1001和处理器1002之间可以通过总线或网络或其他方式连接，图10中以通过总线连接为例。
94.处理器1002可以为中央处理器(central processing unit，cpu)。处理器1002还可以为其他通用处理器、数字遥感图像的识别器(digital signal processor，dsp)、专用集成电路(application specific integrated circu it，asic)、现场可编程门阵列(field programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
95.处理器1002用于利用本技术提供的遥感图像的识别方法，将虚拟世界边界控制权不属于同一服务器的参与碰撞的虚拟物体的控制权归属于同一服务器。
96.存储器1001可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，ram)；或者非易失性存储器(non-volati le memory)，例如只读存储器(read-only memory，rom)，快闪存储器(flash memory)，硬盘(hard disk drive，hdd)或固态硬盘(solid-state drive，ssd)；或者上述种类的存储器的组合，用于存储可实现本技术方法的应用程序代码、配置文件、数据信息或者其他内容。
97.存储器1001作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本技术实施例中的例如元数据采集模块等等。处理器1002通过运行存储在存储器1001中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理。
98.存储器1001可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器1002所创建的数据等。此外，存储器1001可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器1001可选包括相对于处理器1002远程设置的存储器，这些远程存储器可以通过网络连接至处理器1002。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
99.收发器1003用于遥感图像的识别设备1000与其他设备的信息交互。
100.所述一个或者多个模块存储在所述存储器1001中，当被所述处理器1002执行时，执行如图2所示实施例中的遥感图像的识别方法的功能。
101.本技术实施例还提供了一种计算机可读存储介质，其上存储有指令，该指令被执行时执行上述方法实施例中的遥感图像的识别方法和相关步骤。
102.通过以上实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
103.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
104.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
105.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
106.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本技术实施例的技术方案本质上或者说做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
107.以上内容，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何在本技术揭露的技术范围内的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种遥感图像的识别方法，其特征在于，包括：获取遥感图像；将所述遥感图像输入至训练后的特征提取网络，确定所述遥感图像的特征图；将所述特征图输入至区域候选网络，确定所述遥感图像的候选区域和修正位置信息；利用所述修正位置信息对所述候选区域进行修正，确定目标预测区域。2.根据权利要求1所述的方法，其特征在于，将所述遥感图像输入至训练后的特征提取网络，确定所述遥感图像的特征图，包括：将所述遥感图像输入至残差网络，确定所述遥感图像的至少一个浅层特征图；将所述至少一个浅层特征图进行特征融合，得到所述至少一个浅层特征图的至少一个深层特征图。3.根据权利要求2所述的方法，其特征在于，所述残差网包括：第一残差块、第二残差块、第三残差块、第四残差块、第五残差块、注意力模块；所述将所述遥感图像输入至残差网络，确定所述遥感图像的至少一个浅层特征图，包括：将所述遥感图像输入所述第一残差块，确定第一浅层特征图；将所述第一浅层特征图输入所述第二残差块和所述注意力模块，确定第二浅层特征图；将所述第二浅层特征图输入所述第三残差块和所述注意力模块，确定第三浅层特征图；将所述第三浅层特征图输入所述第四残差块和所述注意力模块，确定第四浅层特征图；将所述第四浅层特征图输入所述第五残差块和所述注意力模块，确定第五浅层特征图。4.根据权利要求2所述的方法，其特征在于，所述至少一个浅层特征图包括：第二浅层特征图、第三浅层特征图、第四特征图、第五特征图；所述将所述至少一个浅层特征图进行特征融合，得到所述至少一个浅层特征图的至少一个深层特征图，包括：对所述第五浅层特征图卷积，确定第一深层特征图；对所述第四浅层特征图和所述第一深层特征图进行上采样和像素相加，确定第二深层特征图；对所述第三浅层特征图和所述第二深层特征图进行上采样和像素相加，确定第三深层特征图；对所述第二浅层特征图和所述第三深层特征图进行上采样和像素相加，确定第四深层特征图。5.根据权利要求1所述的方法，其特征在于，所述将所述特征图输入至区域候选网络，确定所述遥感图像的候选区域和修正位置信息，包括：将所述特征图输入至所述区域候选网络，通过锚框确定所述特征图的候选建议区域；将所述特征图和所述候选建议区域输入至池化层和全连接层，确定所述遥感图像的候选区域和修正位置信息。6.一种遥感图像的识别装置，其特征在于，包括：获取模块，用于获取遥感图像；
确定模块，用于将所述遥感图像输入至训练后的特征提取网络，确定所述遥感图像的特征图；将所述特征图输入至区域候选网络，确定所述遥感图像的候选区域和修正位置信息；利用所述修正位置信息对所述候选区域进行修正，确定目标预测区域。7.根据权利要求6所述的装置，其特征在于，所述确定模块，具体用于将所述遥感图像输入至残差网络，确定所述遥感图像的至少一个浅层特征图；所述装置，还包括：融合模块，用于将所述至少一个浅层特征图进行特征融合，得到所述至少一个浅层特征图的至少一个深层特征图。8.根据权利要求7所述的装置，其特征在于，所述残差网包括：第一残差块、第二残差块、第三残差块、第四残差块、第五残差块、注意力模块；所述确定模块，具体用于将所述遥感图像输入所述第一残差块，确定第一浅层特征图；将所述第一浅层特征图输入所述第二残差块和所述注意力模块，确定第二浅层特征图；将所述第二浅层特征图输入所述第三残差块和所述注意力模块，确定第三浅层特征图；将所述第三浅层特征图输入所述第四残差块和所述注意力模块，确定第四浅层特征图；将所述第四浅层特征图输入所述第五残差块和所述注意力模块，确定第五浅层特征图。9.根据权利要求7所述的装置，其特征在于，所述至少一个浅层特征图包括：第二浅层特征图、第三浅层特征图、第四特征图、第五特征图；所述融合模块，具体用于对所述第五浅层特征图卷积，确定第一深层特征图；对所述第四浅层特征图和所述第一深层特征图进行上采样和像素相加，确定第二深层特征图；对所述第三浅层特征图和所述第二深层特征图进行上采样和像素相加，确定第三深层特征图；对所述第二浅层特征图和所述第三深层特征图进行上采样和像素相加，确定第四深层特征图。10.根据权利要求6所述的装置，其特征在于，所述确定模块，具体用于将所述特征图输入至所述区域候选网络，通过锚框确定所述特征图的候选建议区域；将所述特征图和所述候选建议区域输入至池化层和全连接层，确定所述遥感图像的候选区域和修正位置信息。11.一种遥感图像的识别设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-5中任一项所述的遥感图像的识别方法。12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的遥感图像的识别方法。

技术总结
本申请公开了一种遥感图像的识别方法和装置、设备、可读存储介质，涉及计算机技术领域，解决了目前对于高分辨率遥感图像中目标检测的准确率较低的问题。该方法包括：获取遥感图像。将遥感图像输入至训练后的特征提取网络，确定遥感图像的特征图。将特征图输入至区域候选网络，确定遥感图像的候选区域和修正位置信息。利用修正位置信息对候选区域进行修正，确定目标预测区域。确定目标预测区域。确定目标预测区域。


技术研发人员：何恒超 杨勇
受保护的技术使用者：中国联合网络通信集团有限公司
技术研发日：2023.06.07
技术公布日：2023/8/16