一种基于深度学习的近岸水面区域舰船检测方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的近岸水面区域舰船检测方法及装置，将待检测SAR图像分割成若干个子图像；使用区域分类网络对每个子图像进行分类；筛选出分类结果为第一类别的子图像，作为目标检测图像；采用检测网络对目标检测图像进行目标检测，得到舰船目标检测结果；结合每个目标检测图像的舰船目标检测结果，得到待检测SAR图像的目标检测结果；针对近岸场景下存在的大范围陆地区域对舰船目标检测造成干扰的问题，本发明专利技术的舰船检测方法，提高了检测效率；针对近岸场景下目标检测容易漏检、误检、检测精度低的问题，可以有效分离舰船目标与背景，提高了检测精度。提高了检测精度。提高了检测精度。

【技术实现步骤摘要】
一种基于深度学习的近岸水面区域舰船检测方法及装置


[0001]本专利技术属于舰船目标检测
，尤其涉及一种基于深度学习的近岸水面区域舰船检测方法及装置。

技术介绍

[0002]作为重要的军事打击目标和主要的海上运输载体，舰船目标检测有着重大的研究价值和意义。在军事领域，及时准确地检测敌方舰船可以为我方决策提供支持，极大关系到战斗成败；在民用领域，对海域内的舰船进行实时监测可以更好地管理海域，在海洋交通运输、渔业生产、海上救援等方面有广泛应用。
[0003]近年以来，利用SAR图像进行舰船目标检测已成为目前目标检测领域的一大重点与热点问题，能否快速准确地对舰船进行检测具有重要军事意义和经济价值。合成孔径雷达(Synthetic Aperture Radar，SAR)是一种高分辨率成像雷达，可以不受光照、气候等条件限制实现全天时全天候对地观测，并且具有较强的穿透能力。
[0004]但是，SAR图像场景通常都比较大，而近岸区域不仅包含海域而且包含大片陆地场景，用目前的检测方法进行舰船目标检测时，会产生大量的冗余信息(如陆地场景中的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的近岸水面区域舰船检测方法，其特征在于，包括以下步骤：将待检测SAR图像分割成若干个子图像；使用区域分类网络对每个所述子图像进行分类；筛选出分类结果为第一类别的子图像，作为目标检测图像；其中，所述第一类别为非陆地区域类；采用检测网络对所述目标检测图像进行目标检测，得到舰船目标检测结果；结合每个所述目标检测图像的舰船目标检测结果，得到所述待检测SAR图像的舰船目标检测结果。2.如权利要求1所述的一种基于深度学习的近岸水面区域舰船检测方法，其特征在于，采用检测网络对所述目标检测图像进行目标检测包括：从所述目标检测图像中提取特征图；根据所述特征图确定所述目标检测图像的预测结果；对所述预测结果进行解码，得到所述目标检测图像的舰船目标检测结果。3.如权利要求2所述的一种基于深度学习的近岸水面区域舰船检测方法，其特征在于，从所述目标检测图像中提取特征图包括：使用删除了最后一层全连接层的Darknet
‑
53网络提取所述目标检测图像的特征图，得到位于中间层特征层、中下层特征层和底层特征层。4.如权利要求3所述的一种基于深度学习的近岸水面区域舰船检测方法，其特征在于，根据所述特征图确定所述目标检测图像的预测结果包括：将所述底层特征层进行5次DBL处理，并得到第一预测结果；将处理后的底层特征层与进行了上采样后的中下层特征层进行拼接，得到第一融合特征层；对所述第一融合特征层进行5次DBL处理，得到第二预测结果；将处理后的第一融合特征层与进行了上采样后的中间层特征层进行拼接，得到第二融合特征层；对所述第二融合特征层进行5次DBL处理，得到第三预测结果；组合所述第一预测结果、第二预测结果和第三预测结果，得到所述预测结果。5.如权利要求2
‑
4任一所述的一种基于深度学习的近岸水面区域舰船检测方法，其特征在于，所述检测网络的损失函数为：loss＝λ1L
loc
(x,y,w,h)+λ2L
conf
(C)+λ3L
cla
(P)+λ4L
ang
(θ)，其中，loss为检测网络的损失函数，L
loc
(x,y,w,h)为位置损失函数，L
conf
(C...

【专利技术属性】
技术研发人员：刘准钆，李焕东，鹿瑶，潘泉，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：