一种海上船舶显著性检测方法及系统技术方案

本发明专利技术公开了一种海上船舶显著性检测方法及系统，所述方法包括：步骤S1、获取存储有若干个待检测图像的数据库；步骤S2、将数据库作为残差网络的输入，采用残差网络进行特征提取得到浅层特征图和深层特征图；步骤S3、对深层特征图进行特征提取，得到仅有待检测目标的初始显著图；步骤S4、对浅层特征图进行特征细化处理之后与初始显著图进行叠加，得到显著性预测图；步骤S5、将步骤S4得到的显著性预测图作为残差网络的输入；重复步骤S2～步骤S4；直到循环次数达到预设值，将最后一次循环次数对应的显著性预测图作为最终显著性预测图。本发明专利技术能够准确、快速、低功耗地检测与提取海上船舶目标,且提供丰富而有辨别力的显著性检测结果。

A method and system of marine ship significance detection

【技术实现步骤摘要】
一种海上船舶显著性检测方法及系统
本专利技术涉及目标检测跟踪
，特别涉及一种基于深度注意机制的海上船舶显著性检测方法及系统。
技术介绍
海上目标的显著性检测问题因其在海洋渔业、海上运输管制、海上军事以及水下运载器等领域的重要应用越来越受到人们关注。计算机辅助船舶检测的方法极大促进了该项研究的发展，提高了检测效率，释放了人力资源。近几年，深度学习的方法极大地促进了显著性检测的发展，取得了令人惊讶的表现，与此同时，应用于海上特定场景的船舶显著性检测也随之取得巨大的进步。这是由于深度学习拥有强大的特征表达能力,可以通过网络自下而上自动学习到船舶目标的低级特征和高级特征,并将其有效地提取，这些特征分级按层次排列,代表实际船舶目标的不同的语义信息，从而能够提供丰富而有辨别力的显著性检测结果。但是考虑到海洋环境的复杂性，检测会受到拍摄距离,海杂波，光照强度，天气变化,复杂背景以及船舶颜色和海面颜色对比不明显等因素的影响,单单凭借肉眼或现有的船舶检测算法，效率低、成本高且检测未必准确，难以达到令人满意的监测结果，进而虚警和漏检的情况会时常出现。近来，在船舶检测问题上，显著性检测能够极大地改善其检测性能。并且我们不可否认，之前的一些方法对船舶检测都做出了重大努力，但是也仍然存在问题，例如如何更多的检测出显著目标的边缘信息，如何尽可能的在减少计算量的基础上更自动，更快速地检测各种背景的海上显著目标，以及即使当前实验效果最好的完全卷积网络(FCN)在检测时，也不能完全有效地提取船舶目标的边缘信息等问题。因此准确、快速、低功耗地检测与提取海上船舶目标,赢得更可能多的反应与处理时间,能够提供丰富而有辨别力的显著性检测结果，已成为当前海上船舶的显著性检测方法上急需解决的难题，这一课题的研究具有重大的现实意义。
技术实现思路
本专利技术的目的在于提供一种基于深度注意机制的海上船舶显著性检测方法及系统，以实现准确、快速、低功耗地检测与提取海上船舶目标,赢得更可能多的反应与处理时间,能够提供丰富而有辨别力的显著性检测结果的目的。为了实现以上目的，本专利技术通过以下技术方案实现：一种海上船舶显著性检测方法，包括：步骤S1、获取存储有若干个待检测图像的数据库；步骤S2、将所述数据库作为残差网络的输入，采用所述残差网络进行特征提取得到浅层特征图和深层特征图；步骤S3、对所述深层特征图进行特征提取，得到仅有待检测目标的初始显著图；步骤S4、对所述浅层特征图进行特征细化处理之后与所述初始显著图进行叠加，得到显著性预测图；步骤S5、将所述步骤S4得到的所述显著性预测图作为所述残差网络的输入；重复所述步骤S2～步骤S4；直到循环次数达到预设值，将最后一次循环次数对应的所述显著性预测图作为最终显著性预测图。优选地，所述步骤S1包括：预先采集若干个所述待检测图像；每个所述待检测图像包括待检测目标和背景，每个所述待检测图像所具有的背景各不相同；每个所述待检测图像设有与其一一对应的地表真值图片。优选地，所述步骤S2包括：所述残差网络依据输出特征的等级依次分成五层，其中所述五层中的第一～第三层用于提取浅层信息，获得低级语义特征，得到用于定位所述待检测目标的边界的所述浅层特征图；所述五层中的第四～第五层用于提取深层信息，获得高级语义特征，得到用于定位所述待检测目标所在的区域的所述深层特征图。优选地，所述步骤S4包括：步骤S4.1、将所述浅层特征图进行第一次细化处理，得到第一细化结果，并对所述第一细化结果采用监督信号进行监督；进入步骤S4.2；步骤S4.2、将所述第一细化结果与所述初始显著图进行级联，得到第一级联结果；进入步骤S4.3；步骤S4.3、对所述第一级联结果进行第二次细化处理，得到第二细化结果，并对所述第二细化结果采用监督信号进行监督；进入步骤S4.4；步骤S4.4、将所述第二细化结果与所述浅层特征图进行级联，得到第二级联结果；进入步骤S4.5；步骤S4.5、对所述第二级联结果进行第三次细化处理，得到第三细化结果，并对所述第三细化结果采用监督信号进行监督；进入步骤S4.6；步骤S4.6、将所述第三细化结果与所述初始显著图进行级联，得到第三级联结果；进入步骤S4.7；步骤S4.7、对所述第三级联结果进行第四次细化处理，得到第四细化结果，并对所述第四细化结果采用监督信号进行监督，得到所述显著性预测图。优选地，所述监督信号为所有与每个所述待检测图像一一对应的地表真值图片。优选地，每一所述细化处理包括：对所述输入数据采用若干级3*3卷积神经网络进行卷积处理得到输出信号；其中对于每一级所述3*3卷积神经网络所输出的内积数据均采用LeakyReLu激活函数进行转换得到所述输出信号；之后将最后一级所述3*3卷积神经网络所输出的所述输出信号采用1*1卷积神经网络进行降维处理，得到相应的细化结果。优选地，还包括：计算每一循环次数产生的损失值，其中总损失采用如下公式进行表示：当权重为1时，所述总损失采用如下公式进行表示式中，La表示总损失，L0表示循环次数为0时的初始损失；w0表示权重的初始预测值，wi表示和第i次循环的预测值，n表示循环总次数。优选地，还包括：对采用预设的评估标准对所述最终显著性预测图的检测结果进行评估；所述预设的评估标准包括平均绝对误差MAE和F-测量Fβ；式中，其中G表示基本事实，S是网络输出的所述显著性预测图，W和H分别是所述显著性预测图S的宽度和高度；式中，Fβ是查全率和查准率在非负权重β下的加权调和平均值，β一般取0.3；Precision表示精度，Recall表示召回率；所述精度和召回率是通过比较显著预测图和地表真值在不同阈值范围0～255下的二值映射图来计算的。另一方面，本专利技术还提供一种海上船舶显著性检测系统，包括：获取模块，用于获取存储有若干个待检测图像的数据库；提取模块，用于将所述数据库作为残差网络的输入，采用所述残差网络进行特征提取得到浅层特征图和深层特征图；关注模块，用于对所述深层特征图进行特征提取，得到仅有待检测目标的初始显著图；残差细化模组，用于对所述浅层特征图进行特征细化处理之后与所述初始显著图进行叠加，得到显著性预测图；循环模块，用于将所述残差细化模组输出的所述显著性预测图作为所述残差网络的新的输入；循环利用所述提取模块采用所述残差网络进行特征提取得到浅层特征图和深层特征图；采用所述关注模块对所述深层特征图进行特征提取，得到仅有待检测目标的初始显著图；以及采用所述残差细化模组对所述浅层特征图进行特征细化处理之后与所述初始显著图进行叠加，得到显著性预测图这一过程；直到循环次数达到预设值，将最后一次循环次数对应的所述显著性预测图作为最终显著性预测图。优选地，所述残差细化模组包括：四个残差细化模块；其中，四个残差细化模块分别为第一残差细化模块，第二本文档来自技高网...

【技术保护点】
1.一种海上船舶显著性检测方法，其特征在于，包括：/n步骤S1、获取存储有若干个待检测图像的数据库；/n步骤S2、将所述数据库作为残差网络的输入，采用所述残差网络进行特征提取得到浅层特征图和深层特征图；/n步骤S3、对所述深层特征图进行特征提取，得到仅有待检测目标的初始显著图；/n步骤S4、对所述浅层特征图进行特征细化处理之后与所述初始显著图进行叠加，得到显著性预测图；/n步骤S5、将所述步骤S4得到的所述显著性预测图作为所述残差网络的输入；重复所述步骤S2～步骤S4；直到循环次数达到预设值，将最后一次循环次数对应的所述显著性预测图作为最终显著性预测图。/n

【技术特征摘要】
1.一种海上船舶显著性检测方法，其特征在于，包括：
步骤S1、获取存储有若干个待检测图像的数据库；
步骤S2、将所述数据库作为残差网络的输入，采用所述残差网络进行特征提取得到浅层特征图和深层特征图；
步骤S3、对所述深层特征图进行特征提取，得到仅有待检测目标的初始显著图；
步骤S4、对所述浅层特征图进行特征细化处理之后与所述初始显著图进行叠加，得到显著性预测图；
步骤S5、将所述步骤S4得到的所述显著性预测图作为所述残差网络的输入；重复所述步骤S2～步骤S4；直到循环次数达到预设值，将最后一次循环次数对应的所述显著性预测图作为最终显著性预测图。


2.如权利要求1所述的海上船舶显著性检测方法，其特征在于，所述步骤S1包括：预先采集若干个所述待检测图像；每个所述待检测图像包括待检测目标和背景，每个所述待检测图像所具有的背景各不相同；
每个所述待检测图像设有与其一一对应的地表真值图片。


3.如权利要求2所述的海上船舶显著性检测方法，其特征在于，所述步骤S2包括：所述残差网络依据输出特征的等级依次分成五层，其中所述五层中的第一～第三层用于提取浅层信息，获得低级语义特征，得到用于定位所述待检测目标的边界的所述浅层特征图；所述五层中的第四～第五层用于提取深层信息，获得高级语义特征，得到用于定位所述待检测目标所在的区域的所述深层特征图。


4.如权利要求3所述的海上船舶显著性检测方法，其特征在于，所述步骤S4包括：步骤S4.1、将所述浅层特征图进行第一次细化处理，得到第一细化结果，并对所述第一细化结果采用监督信号进行监督；进入步骤S4.2；
步骤S4.2、将所述第一细化结果与所述初始显著图进行级联，得到第一级联结果；进入步骤S4.3；
步骤S4.3、对所述第一级联结果进行第二次细化处理，得到第二细化结果，并对所述第二细化结果采用监督信号进行监督；进入步骤S4.4；
步骤S4.4、将所述第二细化结果与所述浅层特征图进行级联，得到第二级联结果；进入步骤S4.5；
步骤S4.5、对所述第二级联结果进行第三次细化处理，得到第三细化结果，并对所述第三细化结果采用监督信号进行监督；进入步骤S4.6；
步骤S4.6、将所述第三细化结果与所述初始显著图进行级联，得到第三级联结果；进入步骤S4.7；
步骤S4.7、对所述第三级联结果进行第四次细化处理，得到第四细化结果，并对所述第四细化结果采用监督信号进行监督，得到所述显著性预测图。


5.如权利要求4所述的海上船舶显著性检测方法，其特征在于，所述监督信号为所有与每个所述待检测图像一一对应的地表真值图片。


6.如权利要求5所述的海上船舶显著性检测方法，其特征在于，每一所述细化处理包括：对所述输入数据采用若干级3*3卷积神经网络进行卷积处理得到输出信号；其中对于每一级所述3*3卷积神经网络所输出的内积数据均采用LeakyReLu激活函数进行转换得到所述输出信号；
之后将最后一级所述3*3卷积神经网络所输出的所述输出信号采用1*1卷积神经网络进行降维处理，得到相应的细化结果。


7.如权利要求6所述的海上船舶显著性检测方法，其特征在于，还包括：计算每一循环次数产生的损失值，其中总损失采用如下公式进行表示：



当权重为1时，所述总损失采用如下公式进行表示



式中，La表示总损失，L0表示循环次数为0时的初始损失；w0表示...

【专利技术属性】
技术研发人员：陈培秋，周薇娜，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海;31