一种利用卷积神经网络进行船舶检测的训练方法及其船舶检测方法技术

本申请提供了一种利用卷积神经网络进行船舶检测的训练方法及其船舶检测的方法，所述训练方法包括：将包括船舶信息的SAR图像数据制作成预定义规格的训练图像信息；利用所述训练图像信息训练用于船舶检测的卷积神经网络获得所述卷积神经网络的类间关系及所述训练图像信息中的难例；利用焦点损失函数调整所述卷积神经网络的所述类间关系和所述难例的权重，以达到预设精度；其中，所述卷积神经网络的结构包括：基础处理模块、分类处理模块和回归处理模块；所述基础处理模块，至少包括下采样子模块和上采样子模块。本申请在船舶检测的平均精度超过97％。

A Training Method for Ship Detection Based on Convolutional Neural Network and Ship Detection Method

This application provides a training method for ship detection using convolution neural network and a method for ship detection. The training method includes: making SAR image data including ship information into training image information of predefined specifications; using the training image information to train convolution neural network for ship detection to obtain the inter-class relationship of the convolution neural network; and The difficulty cases in training image information are described; the relationship between classes and the weight of the difficulty cases are adjusted by the focus loss function to achieve the preset accuracy; the structure of the convolution neural network includes: basic processing module, classification processing module and regression processing module; and the basic processing module includes at least downsampling sub-module and upper sampling sub-module. Sub module. The average accuracy of this application in ship inspection exceeds 97%.

【技术实现步骤摘要】
一种利用卷积神经网络进行船舶检测的训练方法及其船舶检测方法
本申请涉及遥感领域，具体涉及利用卷积神经网络进行船舶检测的训练方法，以及利用卷积神经网络进行船舶检测的方法。
技术介绍
合成孔径雷达(简称SAR)，可以全天候全天时成像，其图像已经被广泛用于诸如海上交通和非法捕鱼等海洋监管中。随着星载SAR的发射，大量SAR图像可以用来动态检测海洋。因此迫切需要能够处理大量数据以实时做出反应。传统的船舶检测算法主要是依赖海杂波统计模型的恒定虚警概率(CFAR)和手工提取特征。这些方法主要依赖对海杂波分布的统计模型或者手工提取的特征，因此这些方法的鲁棒性较差。除此之外，所述方法严重依赖人力，使得在SAR数据较大时自动检测船舶变得困难。SAR图像上的目标对姿态和图像敏感。船舶在SAR图像体现出多尺度的特点。这由两方面的原因，第一条原因在于不同分辨率的SAR图像对同样尺寸船舶的影响，第二个原因在于相同分辨率的SAR图像对不同尺寸船舶的影响。这两方面的原因都导致了船舶的不同尺度。因此，使船舶检测变得困难。
技术实现思路
本申请提供一种利用卷积神经网络进行船舶检测的训练方法，一种利用卷积神经网络进行船舶检本文档来自技高网...

【技术保护点】
1.一种利用卷积神经网络进行船舶检测的训练方法，其特征在于，包括：将包括船舶信息的SAR图像数据制作成预定义规格的训练图像信息；利用所述训练图像信息训练用于船舶检测的卷积神经网络获得所述卷积神经网络的类间关系及所述训练图像信息中的难例；利用焦点损失函数调整所述卷积神经网络的所述类间关系和所述难例的权重，以达到预设精度；其中，所述卷积神经网络的结构包括：基础处理模块、分类处理模块和回归处理模块；所述基础处理模块，至少包括下采样子模块和上采样子模块，用于根据所述训练图像信息获得多个第一特征图像信息，并将所述第一特征图像信息分别输送给所述分类处理模块和回归处理模块；所述分类处理模块用于根据所述第一特...

【技术特征摘要】
1.一种利用卷积神经网络进行船舶检测的训练方法，其特征在于，包括：将包括船舶信息的SAR图像数据制作成预定义规格的训练图像信息；利用所述训练图像信息训练用于船舶检测的卷积神经网络获得所述卷积神经网络的类间关系及所述训练图像信息中的难例；利用焦点损失函数调整所述卷积神经网络的所述类间关系和所述难例的权重，以达到预设精度；其中，所述卷积神经网络的结构包括：基础处理模块、分类处理模块和回归处理模块；所述基础处理模块，至少包括下采样子模块和上采样子模块，用于根据所述训练图像信息获得多个第一特征图像信息，并将所述第一特征图像信息分别输送给所述分类处理模块和回归处理模块；所述分类处理模块用于根据所述第一特征图像信息获得船舶分类信息；所述回归处理模块用于根据所述第一特征图像信息提取船舶定位回归的图像信息；所述第一特征图像信息，包括维数相同的多尺度的且用于分类和定位回归的图像信息。2.根据权利要求1所述的训练方法，其特征在于，所述基础处理模块，至少包括特征金字塔网络。3.根据权利要求2所述的训练方法，其特征在于，所述特征金字塔网络，至少包括：下采样子模块、上采样子模块和特征图像信息处理子模块；所述下采样子模块，包括第一下采样卷积块、第二下采样卷积块、第三下采样卷积块、第四下采样卷积块和第五下采样卷积块；所述第一下采样卷积块，用于根据所述训练图像信息生成第一下采样特征图像信息，所述第一下采样特征图像信息尺寸是所述训练图像信息尺寸的一半；所述第二下采样卷积块，用于根据所述第一下采样特征图像信息生成第二下采样特征图像信息，所述第二下采样特征图像信息尺寸是所述第一下采样特征图像信息尺寸的一半；所述第三下采样卷积块，用于根据所述第二下采样特征图像信息生成第三下采样特征图像信息，所述第三下采样特征图像信息尺寸是所述第二下采样特征图像信息尺寸的一半；所述第四下采样卷积块，用于根据所述第三下采样特征图像信息生成第四下采样特征图像信息，所述第四下采样特征图像信息尺寸是所述第三下采样特征图像信息尺寸的一半；所述第五下采样卷积块，用于根据所述第四下采样特征图像信息生成第五下采样特征图像信息；所述上采样子模块，包括第四处理单元、第三处理单元、第二处理单元和第一处理单元；所述第四处理单元，用于将所述第五下采样特征图像信息进行预设第一处理生成第四上采样特征图像信息；所述第三处理单元，用于将所述第四上采样特征图像信息尺寸扩大一倍后与第三信息融合，并生成第三上采样特征图像信息，所述第三信息是对所述第四下采样特征图像信息进行预设第一处理生成的信息；所述第二处理单元，用于将所述第三上采样特征图像信息...

【专利技术属性】
技术研发人员：王超，王原原，张红，董颖博，魏思思，
申请(专利权)人：中国科学院遥感与数字地球研究所，
类型：发明
国别省市：北京,11