本发明涉及，具体为一种复杂云况背景下的光学遥感图像船舶检测方法。
背景技术：
1、光学遥感图像船舶检测在港口管理、海面监管等任务中被广泛应用，且众多研究者也设计系列检测算法以高效检测船舶目标。但光学遥感图像其成像机制的特殊性也为船舶检测任务带来众多问题。具体来说，光学遥感图像云覆盖情况居多，且图像拍摄覆盖面广及地面信息丰富易造成背景干扰大等问题，均容易影响船舶目标检测性能。因此，如何有针对性的解决上述问题，快速、准确地检测船舶目标仍是研究人员面临的一个挑战，迫切需要进一步研究解决。
2、为此，提出一种复杂云况背景下的光学遥感图像船舶检测方法。
技术实现思路
1、本发明的目的在于提供一种复杂云况背景下的光学遥感图像船舶检测方法，以解决上述背景技术中提出的问题。
2、为了解决上述技术问题，本发明提供如下技术方案：一种复杂云况背景下的光学遥感图像船舶检测方法，包括以下步骤，以yolov5的网络架构为基础，将图像输入主干特征提取网络，通过yolov5的cutout、mosaic数据增强方式进行图像增强，而后将增强后的图像输入至网络中，利用普通卷积层进行初步特征提取，降低图像尺寸的同时提升图像维度，再经过md-block与mv-block的交叉作用进行深层次的全局特征提取，以生成特征聚合的feature map，完成主干特征提取步骤后，特征图将进入基于双向协调注意力机制的特征融合网络，通过双向注意力充分融合低层特征的细节信息和高层特征的语义信息，加强重要特征权重的同时弱化背景信息，最后，将融合后的特征图输入yolo head得到检测结果，完成全部检测流程。
3、根据上述技术方案，所述主干特征提取网络以md-block为基础卷积模块，且引入mish激活函数。
4、根据上述技术方案，所述mobilevit block由卷积、transformer结构、残差连接融合模块组成。
5、根据上述技术方案，所述mobilevit block工作流程为，网络输入一个特征图后，首先对特征图进行局部特征提取，然后利用普通卷积对特征图的通道数进行调整，接着通过具有“unfold-transformer-fold”机制的transformer模块进行全局特征的提取，并使用1×1的卷积将特征图的通道数调整至c，借助shortcut残差分支将特征图与原始的输入图沿着通道方向进行简单拼接，并通过一个n×n的卷积融合特征得到最终的全局特征输出。
6、根据上述技术方案，所述双向协调注意力机制以ca注意力结构为基础，由基于最大池化的注意力机制、基于平均池化的注意力机制两部分组成。
7、根据上述技术方案，ca注意力机制工作原理为，将输入特征图划分为沿图像宽度池化与沿图像高度池化，将两个池化结果进行拼接，得到一对方向感知的特征图，将拼接后的特征图通过一个bn层，归一化后的特征将再次沿着宽、高两个方向分开进行卷积与激活操作，增加输出特征的非线性表达，最后，将该特征图与原始特征图进行加权计算，得到带有注意力权重的特征图。
8、根据上述技术方案，特征融合网络引入的基于路径聚合的特征金字塔网络(pathaggregation network,pan)，在fpn的基础上，加入下采样结构，并通过对特征图进行路径聚合，捕获多级特征之间的上下文信息和高层特征对低层特征的影响。
9、与现有技术相比，本发明所达到的有益效果是：本发明通过设计基于mish激活函数的轻量化卷积模块，并引入基于自注意力机制的全局特征提取模块，通过合理的网络参数及结构设计以构建高性能主干特征提取网络，有效解决云覆盖导致船舶检测性能下降的问题。通过设计基于双向协调注意力机制的特征融合算法，充分利用最大池化与平均池化的特点，双向捕捉空间方向上的长期依赖关系，并结合特征金字塔结构聚合特征图的全局上下文信息，以增强船舶目标的重要特征信息，从而提高复杂背景下的船舶目标检测性能。最后，将上述两类算法进行融合拼接，构建基于一种复杂云况背景下的遥感图像船舶检测算法，以实现云覆盖与复杂背景下的船舶精确检测。
1.一种复杂云况背景下的光学遥感图像船舶检测方法，其特征在于：包括以下步骤，以yolov5的网络架构为基础，将图像输入主干特征提取网络，通过yolov5的cutout、mosaic数据增强方式进行图像增强，而后将增强后的图像输入至网络中，利用conv进行初步特征提取，降低图像尺寸的同时提升图像维度，再经过md-block与mv-block的交叉作用进行深层次的全局特征提取，以生成特征聚合的feature map，完成主干特征提取步骤后，特征图将进入基于双向协调注意力机制的特征融合网络，通过双向注意力充分融合低层特征的细节信息和高层特征的语义信息，加强重要特征权重的同时弱化背景信息，最后，将融合后的特征图输入yolo head得到检测结果，完成全部检测流程。
2.根据权利要求1所述的一种复杂云况背景下的光学遥感图像船舶检测方法，其特征在于：所述主干特征提取网络以md-block为基础卷积模块，且引入mish激活函数、深度可分离卷积模块等。
3.根据权利要求2所述的一种复杂云况背景下的光学遥感图像船舶检测方法，其特征在于：所述mv-block由卷积、transformer结构、残差连接融合模块组成。
4.根据权利要求3所述的一种复杂云况背景下的光学遥感图像船舶检测方法，其特征在于：所述mv-block工作流程为，网络输入一个特征图后，首先对特征图进行局部特征提取，然后利用普通卷积对特征图的通道数进行调整，接着通过具有“unfold-transformer-fold”机制的transformer模块进行全局特征的提取，并使用1×1的卷积将特征图的通道数调整至c，借助shortcut残差分支将特征图与原始的输入图沿着通道方向进行简单拼接，并通过一个n×n的卷积融合特征得到最终的全局特征输出。
5.根据权利要求4所述的一种复杂云况背景下的光学遥感图像船舶检测方法，其特征在于：所述双向协调注意力机制以ca注意力结构为基础，由基于最大池化的注意力机制、基于平均池化的注意力机制两部分组成。
6.根据权利要求5所述的一种复杂云况背景下的光学遥感图像船舶检测方法，其特征在于：ca注意力机制工作原理为，将输入特征图划分为沿图像宽度池化与沿图像高度池化，将两个池化结果进行拼接，得到一对方向感知的特征图，将拼接后的特征图通过一个bn层，归一化后的特征将再次沿着宽、高两个方向分开进行卷积与激活操作，增加输出特征的非线性表达，最后，将该特征图与原始特征图进行加权计算，得到带有注意力权重的特征图。
7.根据权利要求6所述的一种复杂云况背景下的光学遥感图像船舶检测方法，其特征在于：特征融合网络引入的基于路径聚合的特征金字塔网络(path aggregation network,pan)，在fpn的基础上，加入下采样结构，并通过对特征图进行路径聚合，捕获多级特征之间的上下文信息和高层特征对低层特征的影响。
