申请/专利权人：西安电子科技大学;陕西航天技术应用研究院有限公司

申请日：2022-01-16

公开（公告）日：2024-06-11

公开（公告）号：CN114494829B

主分类号：G06V20/00

分类号：G06V20/00;G06V10/44;G06V10/764;G06V10/82;G06V10/80;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.11#授权;2022.05.31#实质审查的生效;2022.05.13#公开

摘要：本发明提供了一种SAR图像多尺度舰船目标检测方法，解决了舰船目标检测网络直接进行特征图融合，忽略特征图间融合程度的技术问题。本发明通过获取原始SSDD数据集；构建特征提取模块；构建特征融合模块；构建基于特征提取和特征融合模块的舰船目标检测网络；进行网络训练和测试，实现了SAR图像多尺度舰船目标更准确的检测。本发明构建的特征提取模块能获得被检测舰船目标的多尺度特征，且作为检测网络主干和检测头的基础模块。构建的特征融合模块能在特征自适应融合之后经过一个特征提取模块增强特征表达。本发明拥有强大特征提取能力的同时能平衡多尺度舰船目标的检测，提升了检测精度，用于SAR图像舰船目标检测。

主权项：1.一种SAR图像多尺度舰船目标检测方法，其特征在于，包括有以下步骤：1获取原始SSDD数据集：通过SAR和网络获取得到被检测舰船目标的原始合成孔径雷达图像舰船检测数据集SSDD，获取数据集中的图像格式为jpg，该图像为舰船目标检测网络的输入图像，图像中标注文件格式为xml，对标注文件进行预处理以符合舰船目标检测网络所需的txt格式要求，存为txt格式文本，作为被检测舰船目标的原始SSDD，然后以8:2的划分比例得到被检测舰船目标的训练集和测试集；2构建CSPMRes2特征提取模块，获取多尺度特征：构建的特征提取模块CSPMRes2将输入特征图x在通道维度上平均分为两部分x0'和x0”，其中一部分x0'特征图经过k个引入了坐标注意力机制模块的多尺度特征提取模块MRes2以获得被检测舰船目标的多尺度特征，最后一个多尺度特征提取模块MRes2的输出经过一个卷积核为1×1，步长为1×1的卷积块后结果为xT特征图，将xT特征图与x0”特征图在通道维度进行拼接后的结果经过一个卷积核为1×1，步长为1×1的卷积块，此时的结果xU为构建的CSPMRes2特征提取模块的输出；k为多尺度特征提取模块MRes2的个数，当k＝1时，构建的CSPMRes2特征提取模块记为CSPMRes2_1，当k＝3时，构建的CSPMRes2特征提取模块记为CSPMRes2_3；也就是说CSPMRes2特征提取模块的输出包含被检测舰船目标的多尺度特征；构建的CSPMRes2特征提取模块将作为舰船目标检测网络主干的基础模块，设置在舰船目标检测网络主干最后三个不同层上的CSPMRes2特征提取模块分别输出的三个不同尺度特征图fs，fm和fl作为舰船目标检测网络主干的输出，其中fs为小尺寸特征图，fm为中等尺寸特征图，fl为大尺寸特征图；3构建FC-FPN特征融合模块：构建的特征融合模块FC-FPN的输入是舰船目标检测网络主干最后三个不同层上的CSPMRes2特征提取模块的三个不同尺度特征图fs，fm和fl；FC-FPN特征融合模块中参与特征融合的特征图都有一个可学习的融合系数，使特征融合自适应地进行，在特征自适应融合后会经过一个CSPMRes2_1特征提取模块以增强特征表达；FC-FPN特征融合模块结构内有从上至下的两次特征上采样过程和从下至上的两次特征下采样的过程，其中从上至下的上采样过程以特征图fs为基础进行第一次上采样，上采样结果与特征图fm进行自适应特征融合后经过一个CSPMRes2_1特征提取模块的输出特征图记为fsm，然后以特征图fsm为基础进行第二次上采样，上采样结果与特征图fl进行自适应特征融合后经过一个CSPMRes2_1特征提取模块后的输出特征图记为fml；从下至上的下采样过程以特征图fml为基础进行第一次下采样，下采样结果与特征图fsm进行自适应特征融合后经过一个CSPMRes2_1特征提取模块后的输出特征图记为flm，然后以特征图flm为基础进行第二次下采样，下采样结果与特征图fs进行自适应特征融合后经过一个CSPMRes2_1特征提取模块后的输出特征图记为fms；构建的FC-FPN特征融合模块的输出是三个不同尺度特征图fml，flm和fms，其中fml用于检测小尺寸舰船目标，flm用于检测中等尺寸舰船目标，fms用于检测小尺寸舰船目标；4构建基于CSPMRes2和FC-FPN模块的目标检测网络；将特征提取模块CSPMRes2和特征融合模块FC-FPN作为构建SAR图像多尺度舰船目标检测网络的基础模块，该构建的SAR图像多尺度舰船目标检测网络包括主干与检测头两部分，主干在前，检测头在后；该SAR图像多尺度舰船目标检测网络输入为原始SSDD数据集中的输入图像，舰船目标检测网络主干中以卷积下采样模块在前，CSPMRes2特征提取模块在后的顺序交替重复四次作为主体结构，其中第四次卷积下采样模块和CSPMRes2特征提取模块之间有一个SPP,SpatialPyramidPool,金字塔池化模块；SAR图像多尺度舰船目标检测网络主干总体经过了五次下采样，其中第一次下采样操作为Focus，其他的下采样均是通过卷积的形式进行的，SAR图像多尺度舰船目标检测网络主干的输出是最后三个不同层上的CSPMRes2特征提取模块的三个不同尺度特征图fs，fm和fl；SAR图像多尺度舰船目标检测网络的检测头就是特征融合模块FC-FPN，检测头输入是SAR图像多尺度舰船目标检测网络主干最后三个不同层上的CSPMRes2特征提取模块的三个不同尺度特征图fs，fm和fl，其输出为三个不同尺度的特征图fml，flm和fms；检测头的输出也是基于CSPMRes2和FC-FPN模块构建的舰船目标检测网络的输出；5舰船目标检测网络训练：使用被检测舰船目标的训练集作为SAR图像多尺度舰船目标检测网络的输入，网络的输入大小为512×512，使用随机梯度下降SGD作为优化器，网络的初始学习率为0.01，动量为0.937，迭代次数为800个epoch，采用了左右翻转，马赛克数据增强手段；设置完网络所需超参数后，开始网络的训练，生成并得到SAR图像多尺度舰船目标检测网络训练模型；舰船目标检测网络的训练都是从头开始训练，未使用任何预训练模型参数；6舰船目标检测网络测试：使用被检测舰船目标的测试集作为SAR图像多尺度舰船目标检测网络训练模型的输入，首先设置交并比IoU,IntersectionoverUnion,阈值为0.001，置信度阈值为0.65，然后加载训练完成后的模型参数，将测试数据集统一图片尺寸512×512后送入SAR图像多尺度舰船目标检测网络进行测试，得到被检测舰船目标的检测结果，检测结果中的每只舰船具有类别，置信度，舰船中心横坐标，舰船中心纵坐标，舰船目标宽度和舰船目标高度六个属性，最后将检测结果与txt格式文本中存储的真实目标位置与类别进行COCO格式指标的评估。

全文数据：

权利要求：

百度查询： 西安电子科技大学;陕西航天技术应用研究院有限公司 一种SAR图像多尺度舰船目标检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD