买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安电子科技大学

摘要：本发明提供的一种基于CFAR指导的双流SSDSAR图像目标检测方法，通过SAR幅度图像特征提取网络Net‑A和CFAR指示二值图像特征提取网络Net‑C组成的双通道特征提取网络提取幅度特征图和CFAR指示特征图，并通过一种新颖的ICSAF模块来融合不同特征图，充分利用SAR图像中目标强散射的特性，帮助提升目标检测网络的特征提取能力，增强目标检测性能。同时本发明利用CFAR指示二值图作为目标检测网络分类损失函数的先验指导信息，使检测器更加关注难负样本和正样本的学习；然后使用AR‑NMS算法解决传统NMS去除大场景SAR图像的冗余预测框的后处理过程带来的虚警和误抑制问题，提高SAR图像目标检测性能。

主权项：1.一种基于CFAR指导的双流SSDSAR图像目标检测方法，其特征在于，包括：步骤1：获取SAR图像数据集；其中，所述图像数据集包括训练数据集以及测试数据集；步骤2：构建基于CFAR指导的双流SSDSAR目标检测网络模型；其中，所述双流SSDSAR目标检测网络模型包括SAR幅度图像特征提取网络、CFAR指示二值图像特征提取网络、交互式通道-空间注意力融合ICSAF模块、路径聚合检测网络PANet模块、卷积预测器模块以及基于面积比的AR-NMS非极大值抑制算法模块组成，所述双流SSDSAR目标检测网络模型包括三个输入端，第一输入端为SAR幅度图像特征提取网络的输入端，第二个输入端为CFAR指示二值图像特征提取网络的输入端，第三个输入端为卷积预测器模块的输入端；步骤3：构建从原始SAR幅度图像得到不同尺度的CFAR指示二值图像的CFAR指示二值图映射模块，其中，CFAR指示二值图映射模块包括双参数CFAR检测模块和尺度映射模块，并将所述尺度映射模块的输出端连接至卷积预测器模块的输入端；步骤4：对SSD检测网络中的交叉熵分类损失函数进行改进，将修改后的损失函数确定为SAR目标检测网络模型的分类损失函数；步骤5：对所述SAR图像数据集进行双参数CFAR处理，得到对应的CFAR二值指示图，并将所述CFAR二值指示图分别输入所述双流SSDSAR目标检测网络模型的第二输入端以及所述尺度映射模块；同时将训练数据集输入至所述双流SSDSAR目标检测网络模型的第一输入端训练所述双流SSDSAR目标检测网络模型直至损失函数收敛，得到训练好的双流SSDSAR目标检测网络模型；步骤6：将所述测试数据集输入训练好的双流SSDSAR目标检测网络模型中，得到初步目标检测结果；步骤7：利用改进后的基于面积比的AR-NMS非极大值抑制算法对所述初步目标检测结果进行处理，得到最终检测结果；所述SAR幅度图像特征提取网络以及CFAR指示二值图像特征提取网络都由SSD检测网络中的VGG特征提取网络模块和注意力CBAM模块组成，其中CBAM模块分别嵌入VGG特征提取网络的Conv4_3、Conv7、Conv8_2特征层后，SAR幅度图像特征提取网络中的VGG特征提取网络输入为第一输入端，输入为原始SAR幅度图像；CFAR指示二值图像特征提取网络中的VGG特征提取网络输入为第二输入端，输入为CFAR二值指示图；每个ICSAF模块由交互式通道融合模块和交互式空间融合模块组成，ICSAF模块同时输入通过SAR幅度图像特征提取网络输出的幅度特征图和CFAR指示二值图特征提取网络输出的CFAR指示特征图，六个ICSAF模块输出的不同尺度特征图作为PANet模块的输入；PANet模块由自顶向下和自底向上的特征融合路径组成；卷积预测器的输入为PANet模块的输出以及尺度映射模块的输出；所述卷积预测器由分类卷积层C11、Softmax分类层S和回归卷积层C12组成；步骤4包括：对SSD原始分类损失函数LSSDx,c,l,g进行改进得到改进分类损失函数Lclassx,c，并根据改进分类损失函数Lclassx,c得到训练目标检测网络模型改进后的总的损失函数LCFAR_SSD；其中，N是anchor的正样本数量，c为anchor的类别置信度预测值，l为anchor关于所匹配目标框的中心点坐标、宽和高的回归偏移量预测值，g为真值框的位置参数，x表示网络的输入；Lclsx,c和Llocx,l,g分别表示分类损失函数和回归损失函数；α表示两者的权重系数，Lclassx,c＝-1{CFAR二值指示图}1-ptγlogpt，y∈{1,-1}代表真实的标签；p∈[0,1]表示样本属于目标类的网络预测概率；Iout表示CFAR二值指示图，

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于CFAR指导的双流SSD SAR图像目标检测方法