一种基于注意力增强网络的SAR图像飞机检测方法技术

本发明专利技术提供的一种基于注意力增强网络的SAR图像飞机检测方法，通过对大场景SAR图像进行切割得到小场景SAR图像并进行数据增强预处理；将小场景SAR图像输入改进的目标检测网络对飞机目标进行检测；根据检测得到的飞机目标送入图像后处理网络对虚警目标进行滤除，得到最终飞机目标检测结果。相较于传统的SAR图像飞机检测算法，本方案通过预处理中切割与数据增强操作，降低计算复杂度，减少计算内存要求与增加样本多样性，提高了飞机目标检测精度。提高了飞机目标检测精度。提高了飞机目标检测精度。

【技术实现步骤摘要】
一种基于注意力增强网络的SAR图像飞机检测方法


[0001]本专利技术涉及合成孔径雷达目标检测
，尤其涉及一种基于注意力增强网络的SAR图像飞机检测方法。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar，简称SAR)因具备全天时、全天候的对地观测能力，被广泛应用于军事与民用领域，相应的解译技术也取得了迅速发展。飞机目标具有高价值、时敏性等特点，对其准确、快速的检测可为军事决策提供有力的信息支撑。
[0003]虽然SAR图像广泛用于对飞机目标进行检测，但也有些问题需要解决。首先算法对飞机目标的检测效率较低，飞机目标在大场景SAR图像中占比较小,如果遍历整景图像来搜索飞机目标势必降低算法的运行效率；其次算法对飞机目标的特征提取能力较弱，飞机目标在SAR图像中常表现为离散的散射点分布，姿态敏感性强，存在相干斑噪声,如何对复杂场景下的飞机目标有效地表征，是SAR图像飞机目标检测的难点；最后算法对飞机目标的检测精度较低，飞机目标在SAR图像中常常因为周围其它地物影响产生较高虚警率，较高虚警率会导致算法检测结果可信度降低，不具有实际应用价值。另外，漏检或错误识别目标则会导致关键目标的遗失。
[0004]综上所述，导致SAR图像飞机目标检测效率低、实时性差、检测精度不高，存在虚警率高和漏检的问题，并且随着大量轨道雷达卫星每天获取的SAR数据量越来越大，高效率、高精度的飞机目标检测算法的需求变得越来越紧迫。

技术实现思路

[0005]本专利技术提供的一种基于注意力增强网络的SAR图像飞机检测方法，主要解决的技术问题是：如何提高SAR图像飞机目标检测精度。
[0006]为解决上述技术问题，本专利技术提供一种基于注意力增强网络的SAR图像飞机检测方法，包括：
[0007]原始大场景SAR图像进行切割得到小场景SAR图像，并对小场景SAR图像进行数据增强预处理；
[0008]将预处理后的小场景SAR图像输入改进的目标检测网络对飞机目标进行检测；
[0009]根据检测得到的飞机目标送入图像后处理网络，对虚警目标进行滤除，得到最终飞机目标检测结果。
[0010]可选的，其中SAR图像切割操作指把大场景SAR图像变成均匀小场景SAR图像。
[0011]可选的，所述数据增强预处理包括如下至少一种操作：随机旋转、马赛克增强(mosaic)、测试数据增强(TTA)。
[0012]可选的，所述改进的目标检测网络为改进的Yolov5单阶段检测网络，将原有Yolov5中主干卷积层(Backbone)由Swin
‑
Transformer注意力网络替代，用于对飞机目标的有效特征进行提取；将原有Yolov5中损失函数部分C
‑
IoU Loss由α
‑
IoU Loss替换，用于飞
机目标边界框回归和目标检测。
[0013]可选的，所述图像后处理网络为加权边界框融合(WBF)网络，用于对同一飞机目标检测到的多余冗余虚警目标进行滤除，最后把所有小场景SAR图像中检测到的飞机目标拼接至大场景SAR图像中。
[0014]本专利技术的有益效果是：
[0015]根据本专利技术提供的一种基于注意力增强网络的SAR图像飞机检测方法，基于大场景SAR图像进行切割得到小场景SAR图像并进行数据增强预处理；将小场景SAR图像输入改进的目标检测网络对飞机目标进行检测；根据检测得到的飞机目标送入图像后处理网络对虚警目标进行滤除，得到最终飞机目标检测结果。相较于传统的SAR图像飞机检测算法，本方案通过预处理中切割与数据增强操作，降低计算复杂度，减少计算内存要求与增加样本多样性，提高了飞机目标检测精度。
[0016]进一步的，本方案目标检测网络采用对主干卷积层和损失函数的改进得到的单阶段目标检测Yolov5网络，既能保持较高检测效率，又能保持较高检测精度；同时Swin
‑
Transformer注意力网络的引入，能够根据SAR图像中各部分的权重去分配资源，更好地去提取SAR图像中飞机的有效特征；损失函数α
‑
IoU Loss地引入，能够获得更准确的飞机目标边界框回归和目标检测。
[0017]进一步的，本方案通过引入加权边界框融合(WBF)网络，能够对SAR图像中常见的冗余虚警目标进行滤除，提高最终检测精度。
附图说明
[0018]图1为本专利技术的SAR图像飞机目标检测方法流程示意图；
[0019]图2为本专利技术的注意力网络Swin
‑
Transformer具体结构图。
具体实施方式
[0020]为了使本专利技术的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本专利技术作进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0021]实施例一：
[0022]本实施例提供一种基于注意力增强网络的SAR图像飞机检测方法，其流程如图1所示：
[0023]首先，将基于原始大场景SAR图像切割得到均匀小场景SAR图像，具体的，可按照设定小场景大小进行切割。对得到的小场景SAR图像进行数据增强预处理，包括但不限于随机旋转、马赛克增强(mosaic)、测试数据增强(TTA)等操作，以增加样本多样性，提高飞机目标检测精度。然后，将预处理后的小场景SAR图像输入改进的目标检测Yolov5网络对飞机目标进行检测；最后，根据检测得到的飞机目标送入图像后处理加权边界框融合(WBF)网络，对同一飞机目标检测到的多余冗余虚警目标进行滤除，最后把所有小场景SAR图像中检测到的飞机目标拼接回大场景SAR图像中，即为最终飞机目标检测结果。
[0024]本方案具体实现过程如下：
[0025]步骤一、切割原始大场景SAR图像并进行数据增强预处理
[0026]原始大场景SAR图像切割得到均匀小场景SAR图像，并对小场景SAR图像进行随机旋转、马赛克增强(mosaic)、测试数据增强(TTA)等数据增强操作，减少图像处理计算量，并增加样本多样性。其中，根据经验，图像随机旋转数据增强操作旋转5度时SAR图像中飞机目标有效特征基本不变，检测效果最好。本专利技术主要基于改进的目标检测Yolov5网络以及图像后处理中加权边界框融合(WBF)网络，提高SAR图像中飞机目标的检测精度。
[0027]步骤二、改进的目标检测Yolov5网络
[0028]根据预处理后的小场景SAR图像输入改进的目标检测网络对飞机目标进行检测，由于目标检测Yolov5网络除主干卷积层与损失函数部分并非本专利技术的重点，故在此不再赘述。本专利技术重点是注意力网络Swin
‑
Transformer与损失函数α
‑
IoU Loss在Yolov5的引入，包括如下步骤：
[0029]a1.利用注意力网络Swin
‑
Transformer提取飞机有效特征
...

【技术保护点】

【技术特征摘要】
1.一种基于注意力增强网络的SAR图像飞机检测方法，其特征在于，包括：原始大场景SAR图像进行切割得到小场景SAR图像，并对小场景SAR图像进行数据增强预处理；将预处理后的小场景SAR图像输入改进的目标检测网络对飞机目标进行检测；根据检测得到的飞机目标送入图像后处理网络，对虚警目标进行滤除，得到最终飞机目标检测结果。2.如权利要求1所述的基于注意力增强网络的SAR图像飞机检测方法，其特征在于，其中SAR图像切割操作指把大场景SAR图像变成均匀小场景SAR图像。3.如权利要求1所述的基于注意力增强网络的SAR图像飞机检测方法，其特征在于，所述数据增强预处理包括如下至少一种操作：随机旋转、马赛克增强(mosaic)、测试数据增强(TTA)。4.如权利要求1
‑
3任一项所述的基于注意力增...

【专利技术属性】
技术研发人员：师皓，何成，方中昊，陈亮，崔子涵，
申请(专利权)人：北京理工大学重庆创新中心，
类型：发明
国别省市：