基于改进锚点框生成模型的船舶多目标检测方法技术

本发明专利技术提供一种基于改进锚点框生成模型的船舶多目标检测方法，包括：获取SAR船舶图像；构建低复杂度网络架构，并将图像放入低复杂度网络中，生成特征映射空间；采用基于形状相似度的聚类方法生成初始锚点框；以生成的初始锚点框为基础，采用滑窗机制在低复杂度特征空间中生成新的候选框，对候选框进行回归训练，用于船舶多目标检测。本发明专利技术解决了因网络复杂、候选框质量差造成的算法效率和检测质量低的问题，具有较好的准确性。由于采用低复杂度网络架构进行检测，因此从统计分析角度而言，数据采集量越大，也即检测次数越多，检测的效果越好。

Ship multi-target detection method based on improved anchor box generation model

【技术实现步骤摘要】
基于改进锚点框生成模型的船舶多目标检测方法
本专利技术涉及图像处理
，尤其涉及一种基于改进锚点框生成模型的船舶多目标检测方法。
技术介绍
SAR图像中多为多目标多尺度船舶，准确检测不同尺度的目标也是计算机视觉中的基本挑战。目前，许多目标检测模型依赖于主干卷积神经网络，在图像分类任务上预先训练，以便提取输入图像的特征图，利用最后一层特征向量进行目标定位和分类。但最后一层卷积层不足以处理规模多样的边界框，同时通常还会丢失底层的定位信息。同时，SAR图像中船舶目标检测还关注近海港口、岛屿等复杂场景下提高多目标船舶检测的准确率，因此主要采用准确率更高的目标检测模型。Two-stage方法通过图像的分类损失和边界框的回归损失构建多任务损失函数实现目标检测。在训练网络时主要训练两个部分，第一步是训练RPN网络，通过卷积神经网络对图片进行特征提取，映射出特征图(featuremap)，此卷积神经网络称为主干网络，典型的主干网络包括VGGNet、ResNet等；再通过RPN网络产生候选区域，同时也会完成图片背景和目标这两种类型的分类。第二步是训练目标区域本文档来自技高网...

【技术保护点】
1.本专利技术提供一种基于改进锚点框生成模型的船舶多目标检测方法，其特征在于，包括：/n获取SAR船舶图像；/n构建低复杂度网络架构，并将所述船舶图像放入低复杂度网络中，生成特征映射空间；/n采用基于形状相似度的聚类方法生成初始锚点框；/n以生成的初始锚点框为基础，采用滑窗机制在低复杂度特征空间中生成新的候选框，对候选框进行回归训练，所述候选框用于船舶多目标检测。/n

【技术特征摘要】
1.本发明提供一种基于改进锚点框生成模型的船舶多目标检测方法，其特征在于，包括：
获取SAR船舶图像；
构建低复杂度网络架构，并将所述船舶图像放入低复杂度网络中，生成特征映射空间；
采用基于形状相似度的聚类方法生成初始锚点框；
以生成的初始锚点框为基础，采用滑窗机制在低复杂度特征空间中生成新的候选框，对候选框进行回归训练，所述候选框用于船舶多目标检测。


2.根据权利要求1所述的方法，所述构建低复杂度网络架构，其特征在于，包括：
构建由五层卷积层和五层池化层构成的低复杂度的主干网络架构；
利用主干网络架构将SAR船舶图像映射到低复杂度特征空间，得到特征映射图。


3.根据权利要求1所述的方法，所述采用基于形状相似度的聚类方法生成初始锚点框，其特征在于，包括：
获取船舶目标真实边框的形状；
计算不同的真实边框之间的形状距离；
利用kmeans算法根据真实边框的形状以及不同的真实边框的形状距离生成初始锚点框。


4.根据权利要求1所述的方法，所述采用滑窗机制在低复杂度特征空间中生成新的候选框，其特征在于，包括：
在低复杂度特征映射图进行滑窗操作得到候选框；
通过非极大值抑制找到交并比最大的候选框并进行回归训练；
通过分类损失函数和定位目标框的回归损失函数生成新的候选框。


5.根据权利要求2所述的方法，所述构建低复杂度网络架构，其特征在于，所述利用卷积和下采样将SAR船舶图像映射到低复杂度特征空间，得到特征映射图，包括：
由船舶图像到特征映射图的过程可表示为：
C1[112,112,64]＝max_pooling(Img[224,224,3]×kernel[[3,3,3],64])
C2[56,56,128]＝max_pooling(C1[112,112,64]×kernel[[3,3,64],128])
C3[28,28,256]＝max_pooling(C2[56,56,128]×kernel[[3,3,128],256])
C4[14,14,512]＝max_pooling(C3[28,28,256]×kernel[[3,3,512],512])
C5[7,7,512]＝max_pooling(C4[4,14,512]×kernel[[3,3,512],512])
P5[7,7,256]＝C5[7,7,512]×kernel[[1,1,512],256]
P4[14,14,256]＝UpSampling(C5)+(C4[14,14,512]×kernel[[1,1,512],256])
P3[28,28,256]＝UpSampling(C4)+(C3[28,28,256]×kernel[[1,1,256],256])
P2[56,56,256]＝UpSampling(C3)+(C2[56,56,128]×kernel[[1,1,128],256])
P1[112,112,256]＝UpSampling(C2)+(C1[112,112,64]×kernel[[1,1,64],256])
其中，Img表示输入的SAR船舶图像，{C1,C2,C3,C4,C5}表示网络结构对应的五层卷积，maxpooling表示池化层，kern...

【专利技术属性】
技术研发人员：周慧，严凤龙，王万里，
申请(专利权)人：大连东软信息学院，
类型：发明
国别省市：辽宁;21