一种基于Group-G0模型的合成孔径雷达图像舰船检测方法技术

本发明专利技术公开了一种基于Group‑G0模型的合成孔径雷达图像舰船检测方法，获取多个训练用的包含舰船类目标的SAR图像；其中，SAR图像中每个舰船均被标记了标记框；通过包含舰船类目标的SAR图像训练SAR舰船检测网络；获取待检测SAR图像，并使用SAR舰船检测网络提取待检测SAR图像的特征图；依次使用RPN网络和Fast RCNN网络对特征图进行检测，得到带有舰船检测框的SAR图像；本发明专利技术通过标记了标记框的包含舰船类目标的SAR图像对SAR舰船检测网络进行训练，并且分别结合模型分支和检测分支的检测结果对SAR舰船检测网络的网络参数进行联合优化，关注区域级信息和像素级信息的特征关联关系，仅需要较少的训练样本即可完成优化，可以提升舰船检测的召回率，减少漏检的发生。

【技术实现步骤摘要】
一种基于Group-G0模型的合成孔径雷达图像舰船检测方法
本专利技术属于雷达图像舰船检测
，尤其涉及一种基于Group-G0模型的合成孔径雷达图像舰船检测方法。
技术介绍
我国是海事大国，舰船目标检测是实施海洋监视的重要环节，海域安防至关重要。每日大量船只在我国海域进出活动，因此舰船目标检测对海洋监测、军事侦察、情报获取等具有重要战略意义。合成孔径雷达是一种高分辨率成像雷达，它是一种有源主动微波成像传感器，与传统被动成像传感器相比(如红外、光学传感器)，其成像过程不受天气、光线、云等环境因素的影响，可以在全天候、全天时条件下工作，探测隐藏的物体，近年其来在民用和军用领域得到了广泛的应用。随着深度学习技术和计算力的发展，基于深度学习的目标检测算法取得了突飞猛进的进展。近年来，基于深度学习的目标检测算法逐渐应用到SAR图像舰船检测领域中，并取得了极大的成功。但是，该检测方法需要较多的训练样本来训练检测模型，导致舰船检测召回率偏低，频繁出现漏检现象。
技术实现思路
本专利技术的目的是提供一种基于Group-G0模型本文档来自技高网...

【技术保护点】
1.一种基于Group-G0模型的合成孔径雷达图像舰船检测方法，其特征在于，包括以下步骤：/n获取多个训练用的包含舰船类目标的SAR图像；其中，所述SAR图像中每个舰船均被标记了标记框；/n通过包含舰船类目标的所述SAR图像训练SAR舰船检测网络；/n获取待检测SAR图像，并使用所述SAR舰船检测网络提取所述待检测SAR图像的特征图；/n依次使用RPN网络和Fast RCNN网络对所述特征图进行检测，得到带有舰船检测框的SAR图像。/n

【技术特征摘要】
1.一种基于Group-G0模型的合成孔径雷达图像舰船检测方法，其特征在于，包括以下步骤：
获取多个训练用的包含舰船类目标的SAR图像；其中，所述SAR图像中每个舰船均被标记了标记框；
通过包含舰船类目标的所述SAR图像训练SAR舰船检测网络；
获取待检测SAR图像，并使用所述SAR舰船检测网络提取所述待检测SAR图像的特征图；
依次使用RPN网络和FastRCNN网络对所述特征图进行检测，得到带有舰船检测框的SAR图像。


2.如权利要求1所述的一种基于Group-G0模型的合成孔径雷达图像舰船检测方法，其特征在于，通过包含舰船类目标的所述SAR图像训练SAR舰船检测网络包括：
通过SAR舰船检测网络对包含舰船类目标的所述SAR图像进行多尺度特征提取，得到特征图；
依次使用RPN网络和FastRCNN网络对所述特征图进行分类和回归；
根据分类和回归结果，结合第二损失函数对SAR舰船检测网络的参数进行优化，得到训练好的SAR舰船检测网络。


3.如权利要求2所述的一种基于Group-G0模型的合成孔径雷达图像舰船检测方法，其特征在于，得到特征图后还包括：
采用由卷积神经网络构成的编码器生成与所述SAR图像大小相同的隐变量特征图；
对所述隐变量特征图进行二值化，生成舰船类掩码图和非舰船类掩码图；
将所述舰船类掩码图和非舰船类掩码图分别与所述SAR图像相乘后，输入到由卷积神经网络组成的解码器；
通过所述解码器对相乘后的图像进行解码，得到每个像素点的G0分布参数值；
基于分类和回归结果、第二损失函数、所述G0分布参数值及第一损失函数对SAR舰船检测网络进行交...

【专利技术属性】
技术研发人员：文载道，王琳，陆昱廷，王小旭，潘泉，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61