舰船目标识别方法及装置制造方法及图纸

本发明专利技术公开了一种舰船目标识别方法及装置，属于目标识别技术领域，主要解决现有的舰船目标识别方法受限于识别训练集的目标类型和目标数量，从而无法支撑网络模型训练的需要的问题，本发明专利技术通过以更容易获得的舰船长宽比和角度为自监督信息，代替难以获得的舰船身份信息构建训练集，并结合卷积神经网络和Transformer网络两种网络优点，使得本发明专利技术的舰船目标识别网络模型在训练集上自监督学习提取舰船的显著性特征。本发明专利技术识别效果好，易实行，训练数据集易获取，不受舰船目标数据集的限制。

【技术实现步骤摘要】
舰船目标识别方法及装置
本专利技术涉及目标识别
，特别是涉及一种舰船目标识别方法及装置。
技术介绍
舰船目标识别一直是数据处理领域的热点问题，其目的是通过对天基或空基图像信息的特征提取，获取舰船目标的显著性特征，实现对舰船身份信息的识别。舰船目标识别方法一般是建立在大量的、有标签的舰船目标数据集的基础上，通过对所构建的卷积神经网络模型进行有监督的训练、学习，使该卷积神经网络模型获得舰船目标特征的自动提取能力。现有技术中对舰船目标的识别方法主要可以分为基于手工特征的方法和基于学习特征的方法两大类。基于手工特征的方法是通过人工设计的方式获取舰船目标的显著特征，例如舰船的形状、纹理等低层特征，以及SIFT、SURF等局部特征。随着卷积神经网络的提出，目标识别的准确率大大提升，基于学习特征的方法开始逐渐取代基于手工特征的方法。但是基于学习特征的现有方法需要依赖于大量、有标签训练数据集的构建，而舰船目标种类繁多、同一目标不同成像条件下差异较大、不同目标在某些成像条件下差异又不明显，因此，舰船目标身份标签的标注需要有专业的、经验丰富的判读员识别出舰船的具体型号，这项工作对判读员的专业水平要求较高，且容易出现误判、错判；这使得有效的舰船目标识别训练数据集的构建十分的困难。因此现有的舰船目标识别训练数据集大都存在舰船目标数据量小、舰船类型少的特点，难以支撑深度卷积神经网络的训练、学习，难以形成完备的舰船目标识别方法。
技术实现思路
有鉴于此，本专利技术提供的一种舰船目标识别方法及装置，针对现有的舰船目标识别方法受限于识别训练集的目标类型和目标数量，以及现有的舰船目标特征表示能力不足的问题，提出一种不依赖于目标身份标签监督的特征表示方法。通过让深度神经网络在大量舰船数据集上，以更容易获得的舰船长宽比和角度为自监督信息，代替难以获得的舰船身份信息，并结合卷积神经网络和Transformer网络两种网络优点，设计一种新的舰船目标特征提取网络模型，让网络模型在数据集上自监督学习提取舰船的显著性特征。根据本专利技术一个方面，提供了一种舰船目标识别方法，该方法包括步骤：步骤1：构建预训练舰船目标识别网络模型，包括卷积神经网络层和Transformer自监督识别网络层；步骤2：采集大量样本图像，对舰船目标在所述样本图像中所占的长宽比r和倾斜角度θ进行标注，形成训练样本集D；步骤3：将所述样本图像通过所述卷积神经网络层，提取舰船目标高层特征；步骤4：将所述舰船目标高层特征、用于长宽比预测的随机变量A和用于倾斜角度预测的随机变量B输入所述Transformer自监督识别网络层，输出的预测结果包括预测长宽比和预测倾斜角度；步骤5：通过以所述长宽比r和倾斜角度θ构造的损失函数作为约束，对所述预训练舰船目标识别网络模型进行训练，得到训练好的舰船目标识别网络模型；步骤6：采用训练好的舰船目标识别网络模型读取待识别的舰船目标图像，输出舰船识别结果。作为本专利技术的进一步改进，所述Transformer自监督识别网络层包括Transformer网络和全连接层，所述Transformer网络只包括编码器结构，所述编码器中包括多个重复模块，每个模块中包含一个多头注意力模块和一个全连接模块。作为本专利技术的进一步改进，步骤4中将所述舰船目标高层特征输入所述Transformer自监督识别网络层包括两条分支：长宽比预测分支：所述用于长宽比预测的随机变量A通过所述Transformer网络输出后，依次连接两个全连接层；输出所述预测长宽比r′；角度预测分支：所述用于倾斜角度预测的随机变量B通过所述Transformer网络输出后，连接一个节点数为360的全连接层，并采用Softmax作为激活函数；输出对舰船目标360个角度概率分布的预测，进而获取所述预测倾斜角度θ′。作为本专利技术的进一步改进，所述损失函数为L1损失函数和交叉熵损失函数；所述L1损失函数为所述交叉熵损失函数为其中，和的分别表示两个网络分支的输出，q(θi)为真实的舰船角度的概率分布。作为本专利技术的进一步改进，所述卷积神经网络为VGG、ResNet、SeNet、ShuffleNet和GoogleNet中任意一种。根据本专利技术另一个方面，提供了一种舰船目标识别装置，该装置包括：构建预训练模型模块，用于构建预训练舰船目标识别网络模型，包括卷积神经网络层和Transformer自监督识别网络层；构建训练样本集模块，用于采集大量样本图像，对舰船目标在所述样本图像中所占的长宽比r和倾斜角度θ进行标注，形成训练样本集D；提取高层特征模块，用于将所述样本图像通过所述卷积神经网络层，提取舰船目标高层特征；提取预测值模块，用于将所述舰船目标高层特征、用于长宽比预测的随机变量A和用于倾斜角度预测的随机变量B输入所述Transformer自监督识别网络层，输出的预测结果包括预测长宽比r′和预测倾斜角度θ′；模型训练模块，用于通过以所述长宽比r和倾斜角度θ构造的损失函数作为约束，对所述预训练舰船目标识别网络模型进行训练，得到训练好的舰船目标识别网络模型；识别模块，采用训练好的舰船目标识别网络模型读取待识别的舰船目标图像，输出舰船识别结果。籍由上述技术方案，本专利技术提供的有益效果如下：(1)从挖掘舰船目标数据集的自身信息出发，利用舰船目标数据集中更容易获取的长宽比和角度作为网络的监督信息，引导网络自监督学习舰船目标的特征表示，以解决舰船目标数据集语义标签信息难以获取的问题。(2)通过结合卷积神经网络和Transformer网络，将卷积神经网络具有的尺度、平移不变性的优点和Transformer网络的注意力机制相结合，进一步提高了对舰船目标的特征表示能力，本专利技术识别效果好，易实行，训练数据集易获取，不受舰船目标数据集规模和身份标注情况的限制。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1示出了本专利技术实施例提供的一种舰船目标识别方法流程示意图；图2示出了本专利技术实施例提供的一种舰船目标识别方法中训练数据集标注示意图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。本专利技术所要解决的核心技术问题是现有的舰船目标识别方法受限于识别训练集的目标类型和目标数量，从而无法支撑网络模型训练的需要的问题，通过以更容易获得的舰船长本文档来自技高网...

【技术保护点】
1.一种舰船目标识别方法，其特征在于，包括以下步骤：/n步骤1：构建预训练舰船目标识别网络模型，包括卷积神经网络层和Transformer自监督识别网络层；/n步骤2：采集大量样本图像，对舰船目标在所述样本图像中所占的长宽比r和倾斜角度θ进行标注，形成训练样本集D；/n步骤3：将所述样本图像通过所述卷积神经网络层，提取舰船目标高层特征；/n步骤4：将所述舰船目标高层特征、用于长宽比预测的随机变量A和用于倾斜角度预测的随机变量B输入所述Transformer自监督识别网络层，输出的预测结果包括预测长宽比r′和预测倾斜角度θ′；/n步骤5：通过以所述长宽比r和倾斜角度θ构造的损失函数作为约束，对所述预训练舰船目标识别网络模型进行训练，得到训练好的舰船目标识别网络模型；/n步骤6：采用训练好的舰船目标识别网络模型读取待识别的舰船目标图像，输出舰船识别结果。/n

【技术特征摘要】
1.一种舰船目标识别方法，其特征在于，包括以下步骤：
步骤1：构建预训练舰船目标识别网络模型，包括卷积神经网络层和Transformer自监督识别网络层；
步骤2：采集大量样本图像，对舰船目标在所述样本图像中所占的长宽比r和倾斜角度θ进行标注，形成训练样本集D；
步骤3：将所述样本图像通过所述卷积神经网络层，提取舰船目标高层特征；
步骤4：将所述舰船目标高层特征、用于长宽比预测的随机变量A和用于倾斜角度预测的随机变量B输入所述Transformer自监督识别网络层，输出的预测结果包括预测长宽比r′和预测倾斜角度θ′；
步骤5：通过以所述长宽比r和倾斜角度θ构造的损失函数作为约束，对所述预训练舰船目标识别网络模型进行训练，得到训练好的舰船目标识别网络模型；
步骤6：采用训练好的舰船目标识别网络模型读取待识别的舰船目标图像，输出舰船识别结果。


2.根据权利要求1所述的舰船目标识别方法，其特征在于，所述Transformer自监督识别网络层包括Transformer网络和全连接层，所述Transformer网络只包括编码器结构，所述编码器中包括多个重复模块，每个模块中包含一个多头注意力模块和一个全连接模块。


3.根据权利要求2所述的舰船目标识别方法，其特征在于，步骤4中将所述舰船目标高层特征输入所述Transformer自监督识别网络层包括两条分支：
长宽比预测分支：所述用于长宽比预测的随机变量A通过所述Transformer网络输出后，依次连接两个全连接层；输出所述预测长宽比r′；
角度预测分支：所述用于倾斜角度预测的随机变量B通过所述Transformer网络输出后，连接一个节点数为360的全连接层，并采用Softmax作为激活函数；输出对舰船目标360个角度概率分布的预测，进而获取所述预测倾斜角度θ′。


4.根据权利要求1-3中任一项所述的舰船目标识别方法，其特征在于，所述损失函数为L1损失函数和交叉熵损失函数；
所述L1损失函数为
所述交叉熵损失函数为
其中，和均分别表示两个网络分支的输出，q(θi)为真实的舰船角度的概率分布。


5.根据权利要求1所述的舰船目标识别方法，其特征在于，所述卷积神经网络为VGG、ResNet、SeNet、ShuffleNet和GoogleNet中任意一种。


6.一种舰船目标识别装置，其特征...

【专利技术属性】
技术研发人员：吕亚飞，张筱晗，石敏，毕瑷鹏，郑义成，王玉菊，张祺，张恺翊，
申请(专利权)人：中国人民解放军九一九七七部队，
类型：发明
国别省市：北京;11