一种基于改进EfficientDet网络的海面军事目标检测与分类方法技术

本发明专利技术公开了一种基于改进EfficientDet网络的海面军事目标检测与分类方法，属于海洋遥感技术领域，包括获得数据增强后的数据集；主干特征网络提取前，进行一次卷积和标准化的预处理；激活函数预处理；使用主干特征网络提取3、5、7层特征，输入到下一阶段的特征融合网络；在第7层基础上进行一次膨胀卷积、标准化、最大池化得到一层新特征P8；在新特征上继续使用膨胀卷积、标准化、最大池化，同时引入残差连接，与第5层特征进行特征融合得到最后一层特征P9；构建特征融合网络，将每次特征融合后的激活函数改为“Relu”；特征融合后将原来的4层特征融合单元增加到5层；将融合后的特征输入到类别预测网络与定位框预测网络；进行精度评定。定。定。

【技术实现步骤摘要】
一种基于改进EfficientDet网络的海面军事目标检测与分类方法


[0001]本专利技术公开了一种基于改进EfficientDet网络的海面军事目标检测与分类方法，属于海洋遥感


技术介绍

[0002]快速准确地进行海面军事目标的检测与分类对于维护各个国家的国防安全有十分重要的意义。由于海面条件复杂干扰较多，个别军事目标与非军事目标类间差异较小，各种类军事目标样本相对较少且类内差异较大不易区分，很少有研究利用高分辨率遥感影像进行海面军事目标的详细分类。海洋对于人类有十分重要的意义且面积广阔，选择快速准确的海面军事目标的检测与分类算法对于维护一个国家的领土主权、国防安全、了解敌方海面舰艇军事配备、军事预警并做出快速反应等都有有着十分重要的作用。但海面范围大且易受云、海浪、光线等其他因素的影响，而近岸港口又容易受到一些背景影响，选择一种大范围多场景快速准确进行海面军事目标检测与分类的方法就显得尤为重要。

技术实现思路

[0003]本专利技术公开了一种基于改进EfficientDet网络的海面军事目标检测与分类方法，以解决现有技术中，海面军事目标详细分类精度不足，易受环境影响的问题。
[0004]基于改进EfficientDet网络的海面军事目标检测与分类方法，包括：
[0005]S1.获得数据增强后的数据集；
[0006]S2.主干特征网络提取前，进行一次卷积和标准化的预处理及激活函数预处理；
[0007]S3.使用主干特征网络提取3、5、7层特征，输入到下一阶段的特征融合网络；
[0008]S4.在第7层基础上进行一次膨胀卷积、标准化、最大池化得到一层新特征P8；
[0009]S5.在新特征上继续使用膨胀卷积、标准化、最大池化，同时引入残差连接，与第5层特征进行特征融合得到最后一层特征P9；
[0010]S6.构建特征融合网络，将每次特征融合后的激活函数改为“Relu”；
[0011]特征融合后将原来的4层特征融合单元增加到5层；
[0012]S7.将融合后的特征输入到类别预测网络与定位框预测网络；
[0013]S8.进行精度评定，完成基于改进EfficientDet网络的海面军事目标检测与分类。
[0014]优选地，步骤S1中将不同的原始图像分别旋转不同的角度。
[0015]优选地，步骤S3中，使用主干特征网络提取特征前，以残差网络的结构为基础构建残差单元，包括：
[0016]S3.1.将输入特征进行一次1
×
1的卷积实现图像的升维；
[0017]S3.2.进行一次深度可分离卷积；
[0018]S3.3.进行全局平局池化和两次1
×
1的卷积；
[0019]S3.4.将S3.3输出结果与S3.2输出结果相乘形成一个残差连接；
[0020]S3.5.将S3.4输出结果进行一次1
×
1卷积，并与S3.1的输入特征相加进行特征融合得到输出。
[0021]优选地，步骤S3中，对所述残差单元不断重复堆叠，共形成7层，每层分别重复这些残差单元1、2、2、3、3、4、1次，图像的维度逐渐由3维上升到320维。
[0022]优选地，步骤S6中，特征融合网络的输入从下至上共5层特征，构建特征融合网络包括：
[0023]S6.1.将主干网络提取的最顶层P5特征进行上采样并与第4层特征P4进行融合得到A4，将A4继续上采样并与P3进行特征融合得到A3，同理可以得到A2；
[0024]S6.2.将A2上采样并与P1进行特征融合得到B1；
[0025]S6.3.将B1进行下采样并与A2、P2进行特征融合得到B2，将B2下采样并与A3、P3特征融合得到B3，以此类推得到B4、B5，最终输出共形成了B1
‑
B5共5层特征；
[0026]S6.4.上个特征融合单元的输出将作为下一个单元的输入，将这种特征融合单元重复4次构成特征融合网络。
[0027]优选地，步骤S7中，将融合后的特征输入到类别预测网络与框预测网络得到图像中每个目标的类别和位置。
[0028]优选地，类别预测网络首先进行3次深度可分离卷积，将图像通道数调整为88，之后进行一次滤波器深度为9
×
9的深度可分离卷积，两个9分别代表各个候选区域预设的预测框的个数和预测类别的个数，使用的损失函数为Focal。
[0029]优选地，框预测网络先进行3次滤波器深度为88的深度可分离卷积，之后再进行一次深度可分离卷积将通道数调整为9
×
4，9代表设定的预测框个数，4代表每个预测框的4个调整参数，使用的损失函数为Smooth_L1。
[0030]与现有技术相比，本专利技术基于EfficientDet目标检测网络进行改进来实现高分辨率遥感影像的海面军事舰船的检测与分类，基于多分类的角度将军舰分成7个小类别，并将民用船只分成了2类，得到军舰的整体识别的回召率为0.935，准确率是0.970，与改进之前相比精度有着明显的提升。船只整体识别的回召率是0.937，准确率是0.957，与目前比较流行的几种目标检测网络比有很大优势，与此同时类似的复杂条件船只检测的研究Recall为0.926，Precision是0.953，本专利技术提取精度接近，能分出更多类别。
附图说明
[0031]图1为本专利技术各类船体的特征图，由左开始依次为：aircraft carrier、amphibious assault、warship、landing、supply、submarine、medical、cargo、passenger；
[0032]图2为本专利技术的残差单元结构图；
[0033]图3为本专利技术的特征融合单元结构图；
[0034]图4为本专利技术的改进EfficientDet网络结构图；
[0035]图5为各类舰船识别效果，每类舰船为一行共有三幅，由上而下每行依次为：aircraft carrier、amphibious assault、warship、landing、supply、submarine、medical、cargo、passenger。
具体实施方式
[0036]下面结合具体实施方式对本专利技术作进一步详细说明：
[0037]实施例所使用的数据是船舶数据集，主要包含1072张谷歌地球影像，分辨率0.4米到2米不等，大多数图像的尺寸约1200x800。经过筛选，剔除一部分只含有非军事船只和无法目视判别船只种类的图片，留下用于训练的数据集为472张，用于测试的数据集为305张，这些图像中共包含各类军事和民用舰船约3000艘，其中民用船约450艘，剩余为军用舰船。数据集包含了不同时间、地点、海况、天气的多种识别背景，符合实际的分类场景。
[0038]为了实现具体类别军事舰船检测的目的，首先要对训练数据集中不同类型的舰船进行判别，由于图像分辨能力有限，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进EfficientDet网络的海面军事目标检测与分类方法，其特征在于，包括：S1.获得数据增强后的数据集；S2.主干特征网络提取前，进行一次卷积和标准化的预处理及激活函数预处理；S3.使用主干特征网络提取3、5、7层特征，输入到下一阶段的特征融合网络；S4.在第7层基础上进行一次膨胀卷积、标准化、最大池化得到一层新特征P8；S5.在新特征上继续使用膨胀卷积、标准化、最大池化，同时引入残差连接，与第5层特征进行特征融合得到最后一层特征P9；S6.构建特征融合网络，将每次特征融合后的激活函数改为“Relu”；特征融合后将原来的4层特征融合单元增加到5层；S7.将融合后的特征输入到类别预测网络与定位框预测网络；S8.进行精度评定，完成基于改进EfficientDet网络的海面军事目标检测与分类。2.根据权利要求1所述的基于改进EfficientDet网络的海面军事目标检测与分类方法，其特征在于，步骤S1中将不同的原始图像分别旋转不同的角度。3.根据权利要求1所述的基于改进EfficientDet网络的海面军事目标检测与分类方法，其特征在于，步骤S3中，使用主干特征网络提取特征前，以残差网络的结构为基础构建残差单元，包括：S3.1.将输入特征进行一次1
×
1的卷积实现图像的升维；S3.2.进行一次深度可分离卷积；S3.3.进行全局平局池化和两次1
×
1的卷积；S3.4.将S3.3输出结果与S3.2输出结果相乘形成一个残差连接；S3.5.将S3.4输出结果进行一次1
×
1卷积，并与S3.1的输入特征相加进行特征融合得到输出。4.根据权利要求3所述的基于改进EfficientDet网络的海面军事目标检测与分类方法，其特征在于，步骤S3中，对所述残差单元不断重复堆叠，共形成7层，每层分别重复这些残差单元1、...

【专利技术属性】
技术研发人员：蔡玉林，秦鹏，徐慧宇，李龙坤，柳佳，范璞然，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：