【技术实现步骤摘要】
一种基于知识蒸馏的光学遥感图像舰船检测方法
本专利技术属于遥感图像目标检测
,具体涉及一种基于知识蒸馏的光学遥感图像舰船检测方法。
技术介绍
舰船目标作为海上监测和战时打击的重点目标,对其进行精确检测可有效判断敌方的军事动向,为打赢战争、捍卫领海、保证国家和人民的生命安全提供重要的信息支持。随着光学遥感技术的迅猛发展,光学遥感卫星图像的空间分辨率和光谱分辨率都有了极大的提高,更加丰富的图像细节和目标信息使得利用光学遥感图像进行舰船检测得到越来越多的重视。现有技术中,基于深度卷积神经网络的舰船检测技术已经成为遥感图像目标检测领域的重要研究方向。申请号(CN201811571859.2)的专利文献提出了一种基于深度残差密集网络的光学遥感图像舰船检测方法,在海陆分离和提取舰船候选区之后,利用由局部残差密集块组成的深度残差密集网络对切片进行分类,得到最后的检测结果。该方法可以克服天气因素和复杂环境对于舰船检测的干扰,极大地提高了舰船检测的精度。申请号(CN201910674642.2)的专利文献提出了一种基于海陆分割和特征金字塔网络的港口停靠舰船检测方法,利用基于候选区提取网络的目标检测框架和特征金字塔网络,构建舰船检测模型,对初始分割的切片数据进行检测,得到待处理遥感影像的舰船检测结果。该方法能够应对多尺度舰船目标检测问题,有效降低了舰船检测的虚警率。上述方法虽然提高了光学遥感图像的舰船检测精度,但是采用的卷积神经网络层数较多,导致了模型参数量和计算复杂度的急剧增加,忽略了对舰船检测速度的影响 ...
【技术保护点】
1.一种基于知识蒸馏的光学遥感图像舰船检测方法,其特征在于,包括如下步骤:/n步骤1,下载公开的舰船数据集,并划分训练集和测试集;/n步骤2,构建基于知识蒸馏的舰船检测网络,包含教师网络和学生网络,通过设计损失函数,让层数多检测准确率高的教师网络指导学生网络的学习,在保持学生网络原本检测速度的同时提高学生网络检测的准确率;/n所述教师网络和学生网络均由骨干网络、特征加权模块、分类和边框回归子网络三部分组成,将输入图片同时输入到教师网络和学生网络中,所述骨干网络用于特征提取,特征加权模块用于进一步提取更具判别性的特征,并且抑制光学遥感图像中的背景干扰,最后由分类和边框回归子网络输出每个目标类别的概率以及回归得到目标的位置坐标,根据教师网络和学生网络的检测结果分别计算交叉熵损失和回归损失;/n步骤3,利用训练集对上述教师网络和学生网络进行联合训练,保存训练后的学生网络模型参数;/n在训练过程中,根据真实的舰船检测标签与学生网络检测出的结果计算Softmax和SmoothL1损失,通过反向传播,优化学生网络的模型参数;/n步骤4,测试阶段利用学生网络对测试集的所有图片进行测试,计算舰船检测的 ...
【技术特征摘要】
1.一种基于知识蒸馏的光学遥感图像舰船检测方法,其特征在于,包括如下步骤:
步骤1,下载公开的舰船数据集,并划分训练集和测试集;
步骤2,构建基于知识蒸馏的舰船检测网络,包含教师网络和学生网络,通过设计损失函数,让层数多检测准确率高的教师网络指导学生网络的学习,在保持学生网络原本检测速度的同时提高学生网络检测的准确率;
所述教师网络和学生网络均由骨干网络、特征加权模块、分类和边框回归子网络三部分组成,将输入图片同时输入到教师网络和学生网络中,所述骨干网络用于特征提取,特征加权模块用于进一步提取更具判别性的特征,并且抑制光学遥感图像中的背景干扰,最后由分类和边框回归子网络输出每个目标类别的概率以及回归得到目标的位置坐标,根据教师网络和学生网络的检测结果分别计算交叉熵损失和回归损失;
步骤3,利用训练集对上述教师网络和学生网络进行联合训练,保存训练后的学生网络模型参数;
在训练过程中,根据真实的舰船检测标签与学生网络检测出的结果计算Softmax和SmoothL1损失,通过反向传播,优化学生网络的模型参数;
步骤4,测试阶段利用学生网络对测试集的所有图片进行测试,计算舰船检测的准确率,得到检测结果。
2.如权利要求1所述的一种基于知识蒸馏的光学遥感图像舰船检测方法,其特征在于:所述教师网络和学生网络选用不同的骨干网络用于特征提取,其中教师网络选用卷积层层数较多且检测精度较高的骨干网络,学生网络选用卷积层层数较少且检测速度较快的骨干网络。
3.如权利要求1所述的一种基于知识蒸馏的光学遥感图像舰船检测方法,其特征在于:教师网络中选用ResNet101作为骨干网络,学生网络中选用Shufflenet作为骨干网络。
4.如权利要求1所述的一种基于知识蒸馏的光学遥感图像舰船检测方法,其特征在于:所述教师网络和学生网络的具体结构如下;
构建骨干网络:根据卷积神经网络中特征图的分辨率大小,将同一尺寸的特征图所在的卷积层称为一个阶段,以残差网络作为特征提取的基础网络进行说明,C1~C5分别表示Conv1~Conv5阶段中最后一层残差块输出的特征图,C6则表示在C5后面再加一层3×3卷积得到的特征图,将C2进行1×1卷积和下采样得到与...
【专利技术属性】
技术研发人员:陈丽琼,邹炼,范赐恩,裘兆炳,
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。