一种舰船检测方法、系统及装置制造方法及图纸

本发明专利技术涉及一种舰船检测方法、系统及装置，所述方法包括获取待测试图片；将所述待测试图片输入舰船检测模型中，得到舰船位置的检测结果；其中，所述舰船检测模型是训练好的无锚框一阶段检测器；所述无锚框一阶段检测器的特征提取部分加入了注意力机制。本发明专利技术通过在特征提取网络中引入注意力机制，平衡复杂背景与散射的影响，有效提高了多尺度舰船检测的准确程度。确程度。确程度。

【技术实现步骤摘要】
一种舰船检测方法、系统及装置


[0001]本专利技术涉及机器视觉
，特别是涉及一种舰船检测方法、系统及装置。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar，SAR)舰船识别在军事和民用领域中具有重要的应用价值，也是遥感图片识别的研究的热点。由于观测距离较远舰船尺度一般较小，舰船的表面形态形成巨大差异且容易形成近海聚集远海稀疏现象，给高分辨率舰船检测带来挑战。且由于海陆复杂的背景与散射噪声干扰，检测器很难准确地分辨出舰船。
[0003]现有技术中传统舰船检测算法通过人为设定目标特征，实现比较困难。例如恒虚警率算法，该类方法根据预先建立的杂波统计模型来确定检测阈值，模型高度依赖人工设定的特征，容易受到天气、光照、噪声的影响，而且存在模型效率低泛化能力弱等缺点。近年来随着深度卷积神经网络快速发展，越来越多的研究人员使用CNN进行SAR舰船检测。CNN具有自动提取特征能力摆脱人为构造特征的缺点的特点，在SAR舰船识别领域取得重大进展，成为目前主流的识别算法。CNN在计算机视觉领域取得了非常巨大的成功本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种舰船检测方法，其特征在于，包括：获取待测试图片；将所述待测试图片输入舰船检测模型中，得到舰船位置的检测结果；其中，所述舰船检测模型是训练好的无锚框一阶段检测器；所述无锚框一阶段检测器中的特征提取部分加入了注意力机制。2.根据权利要求1所述的舰船检测方法，其特征在于，所述舰船检测模型的构建方法为：构建特征提取网络；所述特征提取网络的结构为ResNet
‑
50；所述特征提取网络包括5层输出网络；将第二层输出网络、第三层输出网络和第四层输出网络中加入所述注意力机制，得到所述特征提取部分；所述注意力机制用于将各个输出网络中的特征图进行池化处理；基于混合多项式选择与因式分解方法构建特征融合网络；所述特征融合网络的输入端分别与所述第三层输出网络、所述第四层输出网络和第五层输出网络连接；所述特征融合网络为所述特征融合部分；所述特征融合部分用于将各个所述特征图进行融合，得到舰船总特征；构建检测网络；所述检测网络的输入端与所述特征融合网络的输出端连接；所述检测网络为所述检测部分；所述检测部分用于根据所述舰船总特征得到舰船位置的检测结果；根据训练样本图片对所述特征提取网络进行训练，得到所述舰船检测模型。3.根据权利要求2所述的舰船检测方法，其特征在于，所述将各个输出网络中的特征图进行池化处理，包括：将所述特征图沿着两个方向依次进行平均池化操作和最大池化操作，得到两对方向感知的初始特征图；对所述初始特征图依次进行拼接和卷积，得到中间特征；对所述中间特征进行分解，得到两个特征向量；根据所述特征向量得到注意力输出，并将所述注意力输出分别添加到所述第二层输出网络、所述第三层输出网络和所述第四层输出网络中。4.根据权利要求2所述的舰船检测方法，其特征在于，所述根据所述舰船总特征得到舰船位置的检测结果，包括：对所述舰船总特征进行三次卷积，得到预测物体的中心点置信度、宽度、高度和中心点偏移量；根据所述中心点置信度、所述宽度、所述高度和所述中心点偏移量确定所述检测结果；所述检测结果包括预测框的位置和预测概率。5.一种舰船检测系统，其特征在于，包括：获取模块，用于获取待测试图片；检测模块，用于将所述待测试图片输入舰船检测模型中，得到舰船位置的检测结果；其中，所述舰船检测模型是训练好的无锚框一阶段检测器；所述无锚框一阶段检测器中的特征提取部分加入了注意力机制。6.根据权利要求5所述的舰船检测系统，其...

【专利技术属性】
技术研发人员：关东海，邓玉文，袁伟伟，魏明强，燕雪峰，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：