一种基于迁移学习的SAR遥感图像舰船检测方法技术

本发明专利技术涉及一种基于迁移学习的SAR遥感图像舰船检测方法，主要解决现有的SAR遥感图像没有舰船的标注，不能直接将深度学习应用于SAR遥感图像舰船检测的问题。本发明专利技术的具体步骤如下：(1)准备相关数据集，包括光学遥感图像舰船数据集和SAR遥感图像数据集；(2)基于迁移学习的思想，设计相应的网络结构和损失函数，同时利用光学遥感图像和SAR遥感图像数据集进行网络的训练；(3)通过训练出来的模型，对SAR遥感图像进行舰船检测。利用光学遥感图像和SAR遥感图像中舰船的共性，即使模型训练时没有SAR遥感图像中舰船的标注，仍可以对SAR遥感图像中的舰船进行检测。

【技术实现步骤摘要】
一种基于迁移学习的SAR遥感图像舰船检测方法
本专利技术涉及计算机视觉
，特别涉及一种基于迁移学习的SAR遥感图像舰船检测方法。
技术介绍
SAR指的是合成孔径雷达，通过其产生的遥感图像称为SAR遥感图像。与传统的光学遥感器不同，SAR具有一定的穿透能力，并且不受大雾和云层的影像，可以全天时、全天候的进行成像，因此SAR图像广泛地应用于减灾、水利、海洋监控等领域。舰船检测一直是遥感图像领域中重要的研究方向之一，其中SAR遥感图像的舰船检测方法最常用的是CFAR(恒虚警率)，即通过选定一种背景杂波分布模型，通过设置一定的虚警率来进行舰船检测(胡宇.SAR图像舰船检测方法研究[D].沈阳航空航天大学,2017.)。CFAR算法结构简单，运算效率高，但针对不同的情况，虚警率和杂波分布模型往往需要重新设置，导致其泛化性不强，特别是在港口、码头等背景复杂的海域，会产生许多的干扰，导致基于CFAR的舰船检测方法有着较高的误检率，并不能取得很好的效果。同时，由于SAR遥感图像的成像特点，使得遥感图像中的舰船会产生一些残影，而且在特定应用需要使用很小的虚警率时(10^-4)，很容易丢失检测目标(CozzolinoD,MartinoGD,PoggiG,etal.Afullyconvolutionalneuralnetworkforlow-complexitysingle-stageshipdetectioninSentinel-1SARimages[C]//GeoscienceandRemoteSensingSymposium.IEEE,2017.)。随着深度学习的兴起，基于深度学习的目标检测技术得到了长足的发展，不论是检测速度还是检测准确度都获得了很大的提高，由于深度学习具有很强的特征提取能力和泛化能力，因此在目标检测上深度学习方法效果远远好于传统方法。由于深度学习的特性，要使得训练出来的模型能有较好的泛化能力，需要数量庞大的带标注的训练样本，而SAR遥感图像几乎没有带标注的数据集，采用人工标注SAR遥感图像中的舰船也十分费时费力，导致无法将现有的深度学习物体检测方法直接用于SAR遥感图像的舰船检测中。
技术实现思路
专利技术目的：为解决SAR遥感图像没有舰船的标注，不能直接将深度学习应用于SAR遥感图像舰船检测的问题，本专利技术提供一种基于迁移学习的SAR遥感图像舰船检测方法。本专利技术技术方案主要包括如下步骤：.一种基于迁移学习的SAR遥感图像舰船检测方法，包括以下步骤：步骤1：准备相关数据集，包括光学遥感图像舰船数据集作为源域和SAR遥感图像数据集作为目标域，其中光学遥感图像舰船数据集有舰船标注，SAR遥感图像数据集没有舰船标注；步骤2：基于迁移学习的思想，设计用于训练的网络和损失函数；步骤2.1：设计目标域与源域的私有编码结构和共享编码结构，以VGG16作为基础结构，将全连接层FC6和FC7变成卷积层，同时，额外增加两个卷积层(conv6_2，conv7_2)以及一个全连接层(FC100)，每个卷积层后面跟随BN操作，全连接层的输出大小为100；步骤2.2：设计损失函数，包括相似损失函数，区别损失函数，以及分类损失和回归损失；其中相似损失函数用于目标域与源域共享编码结构，完成两个领域的共享表示；区别损失函数用于目标域、源域私有编码结构，保证每个域的独立特性；分类和回归损失用于舰船的检测；相似损失函数；将目标域与源域共享编码结构得到的目标域图像特征与源域图像特征，通过梯度反转层(GRL)和领域分类器实现最大程度的“混淆”，完成领域的共享；具体的公式为：其中d,0和1分别代表源域和目标域，d是已知的，则是通过目标域和源域共享编码结构得到的特征作为依据预测出来的，通过梯度反转层(GRL)，将该损失最大化，使得根据共享编码结构得到的特征，无法判断出该特征的来源是源域还是目标域；梯度反转层(GRL)作用就是在原函数梯度前加一个负号，达到仍然是求损失的最小值的目的；区别损失函数；通过私有和共享领域特征之间的软子空间正交性约束定义，使共享和私有编码去编码输入的不同方面；该损失函数的输入为目标域私有编码结构得到的目标域图像特征和源域私有编码结构得到的源域图像特征；具体的公式为：其中是源域数据通过共享编码结构得到的特征矩阵，是源域数据通过私有编码结构得到的特征矩阵，是目标域数据通过共享编码结构得到的特征矩阵，是目标域数据通过私有编码结构得到的特征矩阵；分类和回归损失，其中分类损失采用softmaxloss，回归损失采用smoothL1loss；具体的公式为：分类和回归损失是用在检测结果上的，在训练过程中，是用带标签的源域数据通过上述损失来训练用于舰船检测的网络；步骤3：使用设计的网络对数据集进行训练，得到用于SAR遥感图像舰船检测的模型；步骤3.1：将源域和目标域数据同时输入到网络中；选取源域遥感图像和目标域遥感图像，将他们均值中心化到一定范围，每张均值中心化后的源域遥感图像数据表示为xs，每张均值中心化后的目标域遥感图像数据表示为xt，将xs和xt其输入到网络中；步骤3.2：使用私有编码结构提取私有特征，共享编码结构来提取共有特征；私有编码结构和共享编码结构采用的是修改后的VGG16网络，网络的初始参数设置为在ImageNet数据库上预训练的VGG16模型参数；通过私有编码结构，输入的源域数据xt和目标域数据xt将分别得到源域的私有特征和目标域私有特征同理，通过共享编码结构，输入的源域数据xs和目标域数据xt将分别得到源域的共有特征和目标域的共有特征步骤3.3：通过提取出的特征，计算出相似损失函数值和区别损失函数的值；步骤3.3.1：将得到的共有特征和加上一个梯度反转层，保证在计算梯度时会加上负号，再处理后的共有特征和输入到一个二分类器中，判断输入的特征属于源域还是目标域，输出为其中0和1分别代表源域和目标域；通过所述相似损失函数计算公式计算相似损失函数值；步骤3.3.2：将得到的源域私有特征目标域私有特征源域共有特征和目标域共有特征构建成相应的矩阵矩阵每行即为每张图像得到的相应特征，在根据所述区别损失函数计算公式计算区别损失函数值；步骤3.4：选取源域所提取的共有特征，使用SSD结构进行检测，结合源域标注，得到分类和回归损失函数的值；由于舰船的尺寸具有一个大的范围，在使用SSD结构进行检测时，取conv3_3、conv4_3、conv5_3、fc7、conv6_2，conv7_2层的特征作为输入；通过检测结果和已知的源域数据标注，结合所述分类和回归损失函数计算公式计算出相应的分类和回归损失函数值；步骤3.5：结合所有损失值，利用反向传播算法对网络进行调整：通过之前步骤计算出来的各个损失值，将各个损失值加上系数进行累加，得到总体损失值，具体公式为：其中α，β，γ，为各个损失的系数，用来控制各个损失值的权值；通过得到的总体损失值利用反向传播算法对网络整体进行训练；步骤4：使用得到的SAR遥感图像舰船检测模型，进行舰船检测：选择一张SAR遥感图像，将其进行均值中心化，得到输入x；将得到的x输入到已训练的模型中；利用模型中训练好的共享编码结构提取出输入x的共享编码特征hc；将提取出的共享编码特征hc输入到SSD检测框架下，取con本文档来自技高网...

【技术保护点】
1.一种基于迁移学习的SAR遥感图像舰船检测方法，其特征在于，包括以下步骤：步骤1：准备相关数据集，包括光学遥感图像舰船数据集作为源域和SAR遥感图像数据集作为目标域，其中光学遥感图像舰船数据集有舰船标注，SAR遥感图像数据集没有舰船标注；步骤2：基于迁移学习的思想，设计用于训练的网络和损失函数；步骤2.1：设计目标域与源域的私有编码结构和共享编码结构，以VGG16作为基础结构，将全连接层FC6和FC7变成卷积层，同时，额外增加两个卷积层以及一个全连接层，每个卷积层后面跟随BN操作，全连接层的输出大小为100；步骤2.2：设计损失函数，包括相似损失函数，区别损失函数，以及分类损失和回归损失；其中相似损失函数，完成两个领域的共享表示；区别损失函数，保证每个域的独立特性；分类和回归损失用于舰船的检测；相似损失函数；将目标域与源域共享编码结构得到的目标域图像特征与源域图像特征，通过梯度反转层和领域分类器实现目标域图像特征与源域图像特征最大程度的“混淆”，完成领域的共享；具体的公式为：

【技术特征摘要】
1.一种基于迁移学习的SAR遥感图像舰船检测方法，其特征在于，包括以下步骤：步骤1：准备相关数据集，包括光学遥感图像舰船数据集作为源域和SAR遥感图像数据集作为目标域，其中光学遥感图像舰船数据集有舰船标注，SAR遥感图像数据集没有舰船标注；步骤2：基于迁移学习的思想，设计用于训练的网络和损失函数；步骤2.1：设计目标域与源域的私有编码结构和共享编码结构，以VGG16作为基础结构，将全连接层FC6和FC7变成卷积层，同时，额外增加两个卷积层以及一个全连接层，每个卷积层后面跟随BN操作，全连接层的输出大小为100；步骤2.2：设计损失函数，包括相似损失函数，区别损失函数，以及分类损失和回归损失；其中相似损失函数，完成两个领域的共享表示；区别损失函数，保证每个域的独立特性；分类和回归损失用于舰船的检测；相似损失函数；将目标域与源域共享编码结构得到的目标域图像特征与源域图像特征，通过梯度反转层和领域分类器实现目标域图像特征与源域图像特征最大程度的“混淆”，完成领域的共享；具体的公式为：其中d,0和1分别代表源域和目标域，d是已知的，则是通过目标域和源域共享编码结构得到的特征作为依据预测出来的，通过梯度反转层将该损失最大化；梯度反转层在原函数梯度前加一个负号，达到仍然是求损失的最小值的目的；区别损失函数；通过私有和共享领域特征之间的软子空间正交性约束定义，使共享和私有编码去编码输入的不同方面；该损失函数的输入为目标域私有编码结构得到的目标域图像特征和源域私有编码结构得到的源域图像特征；具体的公式为：其中是源域数据通过共享编码结构得到的特征矩阵，是源域数据通过私有编码结构得到的特征矩阵，是目标域数据通过共享编码结构得到的特征矩阵，是目标域数据通过私有编码结构得到的特征矩阵；分类和回归损失，其中分类损失采用softmaxloss，回归损失采用smoothL1loss；具体的公式为：分类和回归损失是用在检测结果上的，在训练过程中，是用带标签的源域数据通过上述损失来训练用于舰船检测的网络；步骤3：使用设计的网络对数据集进行训练，得到用于SAR遥感图像舰船检测的模型；步骤3.1：将源域和目标域数据同时输入到网络中；选取源...

【专利技术属性】
技术研发人员：毛克明，马卿云，刘舒琦，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21