【技术实现步骤摘要】
一种基于深度神经网络的船舰目标实时检测方法
本专利技术涉及遥感图像目标检测领域，具体涉及一种基于深度神经网络的船舰目标实时检测方法。
技术介绍
舰船是海上的重要监测目标，遥感图像处理是获取舰船目标信息最丰富，使用最广泛的舰船监测技术。在民用领域，舰船检测的结果信息可以用作其他系统的输入，帮助其实现和优化程序及功能。通过把检测到的舰船进行船只分类和匹配、地理坐标映射和定位，就可以得到目标船只位置信息，实现海面搜救；通过把检测到的舰船进行功能和大小归类、统计密集度信息和生成地理分布图，可以实现渔情检测；通过对船只进行搜索匹配、实时定位和导航，并根据船只密集度进行拥塞控制和路径规划，可以实现对航运系统的优化配置；通过获取船只的分布信息，并对海面使用、鱼类捕捞和船只排污倾倒情况进行分析，可以实现海面自然资源的管理和把控。在国防上，舰船检测的结果信息可以用来进行态势分析，为国防军事决策服务。所以利用遥感图像对舰船进行实时目标检测具有很重要的现实意义。现有技术中，传统的遥感图像舰船检测方法通过从遥感图像中提取人工设计的特...
【技术保护点】
1.一种基于深度神经网络的船舰目标实时检测方法，其特征在于，包括：/n步骤S1：建立针对小目标检测的实时深度神经网络模型；/n步骤S2：根据预设初始训练样本集构建小目标训练样本集，并进行目标最优尺寸范围测定，获得OSIT范围；/n步骤S3：基于测定的OSIT范围，利用小目标训练样本集对S1中针对小目标检测的实时深度神经网络模型进行训练，获得初始深度神经网络模型；/n步骤S4：利用S3训练得到的初始深度神经网络模型对预设初始训练样本集进行舰船目标检测，得到检测结果，然后将检测中出现的困难负样本加入到困难负样本集，然后利用困难负样本集中的样本对S3训练得到的初始深度神经网络模型...
【技术特征摘要】
1.一种基于深度神经网络的船舰目标实时检测方法，其特征在于，包括：
步骤S1：建立针对小目标检测的实时深度神经网络模型；
步骤S2：根据预设初始训练样本集构建小目标训练样本集，并进行目标最优尺寸范围测定，获得OSIT范围；
步骤S3：基于测定的OSIT范围，利用小目标训练样本集对S1中针对小目标检测的实时深度神经网络模型进行训练，获得初始深度神经网络模型；
步骤S4：利用S3训练得到的初始深度神经网络模型对预设初始训练样本集进行舰船目标检测，得到检测结果，然后将检测中出现的困难负样本加入到困难负样本集，然后利用困难负样本集中的样本对S3训练得到的初始深度神经网络模型进行训练，得到优化后的深度神经网络模型。其中，检测结果为检测到的舰船目标框中置信度大于置信度阈值CT的输出结果中的元素，困难负样本为与当前图像中所有真实目标Gj的IOU小于IOU阈值IT对应的元素；
步骤S5：建立遥感影像金字塔模型，并利用S4中获得的优化后的深度神经网络从金字塔底层开始，逐层进行舰船目标检测。
2.如权利要求1所述的方法，其特征在于，步骤S1具体包括：
步骤S1.1：基于深度学习知识建立层数和参数数量符合预设条件的精简深度神经网络，其中，精简深度神经网络包括多个卷积层模块和残差模块，残差模块包括一个下采样卷积层和一个残差块；
步骤S1.2：对建立的精简深度神经网络进行通道数裁剪；
步骤S1.3：对残差块内部结构进行调整，采用两层卷积构建的逆残差块替换原有的残差块，得到调整后的深度神经网络结构；
步骤S1.4：设计用于深度神经网络训练的损失函数；
步骤S1.5：初始化网络参数，然后逐轮进行训练，其中，每轮训练中，根据当前深度神经网络输出的目标框和真实目标框，通过损失函数计算误差损失，并将误差损失沿深度神经网络反向传播更新网络参数，当误差损失降低到预先定义的阈值时，停止深度神经网络训练，得到针对小目标检测的实时深度神经网络模型。
3.如权利要求1所述的方法，其特征在于，步骤S2中根据预设初始训练样本集构建小目标训练样本集，包括：
将预设初始训练样本集中包含的大舰船目标图像块下采样到小目标尺寸范围，形成小目标训练样本集。
4.如权利要求1所述的方法，其特征在于，步骤S2中进行目标最优尺寸范围测定，得到OSIT范围，具体包括：
步骤S2.1：设置目标尺寸范围集合为R，其中，R的范围总和包含当前数据集中所有真实目标框的尺寸；
步骤S2.2：设置真实目标框集合为G，对真实目标框进行R尺寸划分，划分后的每个子集为Gj，其中，0≤j＜ng，ng表示子集数量，对应的尺度范围为Rj，进行R尺寸划分后，每个真实目标框属于且仅属于R的一个子集Rj，0≤j＜ng；
步骤S2.3：设置置信度阈值CT，采用针对小目标检测的实时深度神经网络模型对测试集进行舰船目标检测，得到预测框集合P；
步骤S2.4：设置IOU阈值IT，遍历集合P，如果存在pi(pi∈P)与Gj的IOU大于IT，则将pi加入到子集Pj中，并将pi标记为已划分，pi∈P，0≤j＜ng；
步骤S2.5：对集合P中的剩余未划分元素p′i(p′i∈P)，p′i基于像素的长宽分别为w′i、h′i，根据预设OSIT方法计算p′i所属的划分Rj，将p′i加入到子集Pj中，并将p′i标记为已划分；
步骤S2.6：将Gj作为真实目标框集合，Pj作为预测框集合，计算划分子集Pj的平均精度APj，
步骤S2.7：设置AP阈值APT，如果APj≥APT，则将该划分对应的尺度Rj加入OSIT范围中。
5.如权利要求1所述的方法，其特征在于，当前深度神经网络的OSIT范围为(Cmin，Cmax]，步骤S3具体包括：
步骤S3.1：从训练集中读取所有的真实目标框，所有的真实目标框构成集合
步骤S3.2：获取目标图像大小用以表示及其周围一定区域剪切并缩放后输出图像的大小，其中，...
【专利技术属性】
技术研发人员：汪鼎文，陈曦，王泉德，孙世磊，瞿涛，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。