一种SAR图像多尺度舰船目标检测方法技术

本发明专利技术提供了一种SAR图像多尺度舰船目标检测方法，解决了舰船目标检测网络直接进行特征图融合，忽略特征图间融合程度的技术问题。本发明专利技术通过获取原始SSDD数据集；构建特征提取模块；构建特征融合模块；构建基于特征提取和特征融合模块的舰船目标检测网络；进行网络训练和测试，实现了SAR图像多尺度舰船目标更准确的检测。本发明专利技术构建的特征提取模块能获得被检测舰船目标的多尺度特征，且作为检测网络主干和检测头的基础模块。构建的特征融合模块能在特征自适应融合之后经过一个特征提取模块增强特征表达。本发明专利技术拥有强大特征提取能力的同时能平衡多尺度舰船目标的检测，提升了检测精度，用于SAR图像舰船目标检测。用于SAR图像舰船目标检测。用于SAR图像舰船目标检测。

【技术实现步骤摘要】
一种SAR图像多尺度舰船目标检测方法


[0001]本专利技术属于雷达遥感
，主要涉及舰船目标检测，具体是一种SAR图像多尺度舰船目标检测方法，用于SAR图像多尺度舰船目标的检测。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar,SAR)是一种有源微波遥感成像雷达，可以全天、全天候观测地球表面，因此，SAR可以在海洋监测和海上交通监管中发挥重要作用。随着星载SAR的快速发展，许多国家都开发了自己的SAR技术，如德国的TerraSAR
‑
X、加拿大的RADARSAT
‑
2和中国的高分3号等。近年来，在SAR图像中进行船舶检测的研究较多，自基于深度学习的目标检测迅速发展以来，SAR图像目标检测也引入了基于深度学习的目标检测方法。然而，在SAR图像舰船目标检测中，由于SAR图像中舰船目标具有多尺度特性，使得基于深度学习的舰船目标检测方法需要同时关注不同尺寸的目标，根据基于深度学习目标检测的原理，需要对输入图像进行多次下采样操作以提取具有较大感受野的更高级语义特征，然而随着对本文档来自技高网...

【技术保护点】

【技术特征摘要】
Pool)金字塔池化模块；SAR图像多尺度舰船目标检测网络主干总体经过了五次下采样，其中第一次下采样操作为Focus，其他的下采样均是通过卷积的形式进行的，SAR图像多尺度舰船目标检测网络主干的输出是最后三个不同层上的CSPMRes2特征提取模块的三个不同尺度特征图f
s
，f
m
和f
l
；SAR图像多尺度舰船目标检测网络的检测头就是特征融合模块FC
‑
FPN，检测头输入是SAR图像多尺度舰船目标检测网络主干最后三个不同层上的CSPMRes2特征提取模块的三个不同尺度特征图f
s
，f
m
和f
l
，其输出为三个不同尺度的特征图f
ml
，f
lm
和f
ms
；检测头的输出也是基于CSPMRes2和FC
‑
FPN模块构建的舰船目标检测网络的输出；(5)舰船目标检测网络训练：使用被检测舰船目标的训练集作为SAR图像多尺度舰船目标检测网络的输入，网络的输入大小为512
×
512，使用随机梯度下降SGD作为优化器，网络的初始学习率为0.01，动量为0.937，迭代次数为800个epoch，采用了左右翻转，马赛克数据增强手段；设置完网络所需超参数后，开始网络的训练，生成并得到SAR图像多尺度舰船目标检测网络训练模型；舰船目标检测网络的训练都是从头开始训练，未使用任何预训练模型参数；(6)舰船目标检测网络测试：使用被检测舰船目标的测试集作为SAR图像多尺度舰船目标检测网络训练模型的输入，首先设置交并比IoU(Intersection over Union)阈值为0.001，置信度阈值为0.65，然后加载训练完成后的模型参数，将测试数据集统一图片尺寸512
×
512后送入SAR图像多尺度舰船目标检测网络进行测试，得到被检测舰船目标的检测结果，检测结果中的每只舰船具有类别，置信度，舰船中心横坐标，舰船中心纵坐标，舰船目标宽度和舰船目标高度六个属性，最后将检测结果与txt格式文本中存储的真实目标位置与类别进行COCO格式指标的评估。2.根据权利要求1所述的一种SAR图像多尺度舰船目标检测方法，其特征在于，步骤(1)中所述的提取原始SSDD数据集包括有如下步骤：(1a)解析原始SSDD数据集：解析原始SSDD数据集xml文件格式的标签文件，提取图片宽度img_width和高度img_height，舰船目标矩形标注框位置左下角(xmin，ymin)坐标信息和右上角(xmax，ymax)坐标信息以及舰船目标类别；(1b)舰船目标类别编号：将原始图像的舰船目标类别从零开始进行顺序编号，得到舰船目标类别的编号；(1c)舰船目标坐标变换：将原始图像中舰船目标矩形标注框的左下角坐标(xmin，ymin)和右上角坐标(xmax，ymax)坐标变换为舰船目标矩形标注框中心坐标(cx，cy)和舰船目标矩形标注框宽高(w，h)；xmin，xmax，cx为舰船目标矩形标注框横坐标；ymin，ymax，cy为舰船目标矩形标注框纵坐标；w为舰船目标矩形标注框的宽度，h为舰船目标矩形标注框的高度；坐标变换计算公式具体如下：高度；坐标变换计算公式具体如下：高度；坐标变换计算公式具体如下：
(1d)txt格式文本生成：将舰船目标类别编号与坐标变换后的(cx，cy)和(w，h)拼接成(类编号，cx，cy，w，h)的形式，每张图片中每个目标占一行，以符合舰船目标检测网络所需的txt格式要求，然后存为txt格式文本。3.根据权利要求1所述的一种SAR图像多尺度舰船目标检测方法，其特征在于，步骤(2)中所述构建CSPMRes2模块包括有如下步骤：(2a)将输入特征图划分为两部分：将输入特征图x在通道维度上平均分为两部分x
0'
和x
0”；其中第二部分x
0”特征图未经过任何模块，第一部分x
0'
特征图则经过了引入坐标注意力机制模块的多尺度特征提取能力模块；(2b)构建引入了坐标注意力机制模块的多尺度特征提取能力模块：将x
0'
经过四个1
×
1卷积得到x11，x12,x13和x14四个子特征图，每个子特征图通道数量为特征图x
0'
通道数量的四分之一；将第二个子特征图x12经过3
×
3卷积后得到第一个输出特征图y2；将第一个输出特征图y2与第三个子特征图x13进行对应元素求和,其结果经过一个坐标注意力机制模块，其结果为第二个输出特征图y3；将第二个输出特征图y3与第四个子特征图x14进行对应元素求和,其结果经过一个坐标注意力机制模块，其结果为第三个输出特征图y4；将第一个子特征图x11，第一个输出特征图y2，第二个输出特征图y3，第三个输出特征图y4在通道维度上进行拼接，拼接结果经过一个坐标注意力机制模块，其结果为第四个输出特征图y，然后将第一部分特征图x
0'
与第四个输出特征图y在通道维度上进行拼接，其结果作为新的第一部分特征图x
0'
；(2c)CSPMRes2特征提取模块输出：重复(2b)的步骤，重复次数为k(k＝1或者k＝3)，最后一次的结果经过一个卷积核为1
×
1，步长为1
×
1的卷积块后输出特征图为x
T
，将特征图x
T
与第二部分特征图x
0”在通道维度上进行拼接，然后经过一个卷积核为1
×
1，步长为1
×
1的卷积块后，得到最终CSPMRes2特征提取模块的输出特征图x
U
。当k＝1时，构建的CSPMRes2特征提取模块记为CSPMRes2_1，当k＝3时，构建的CSPMRes2特征提取模块记为CSPMRes2_3。4.根据权利要求1所...

【专利技术属性】
技术研发人员：王海，周科学，张敏，谭金林，王梁，张锐，
申请(专利权)人：陕西航天技术应用研究院有限公司，
类型：发明
国别省市：