一种SAR图像舰船目标斜框检测方法及系统技术方案

本发明专利技术涉及一种SAR图像舰船目标斜框检测方法及系统，所述方法包括：构建网络模型；所述网络模型中包括：ResNet

【技术实现步骤摘要】
一种SAR图像舰船目标斜框检测方法及系统


[0001]本专利技术涉及目标检测领域，特别是涉及一种SAR图像舰船目标斜框检测方法及系统。

技术介绍

[0002]近年来，由于基于深度学习的目标检测方法在通用目标检测领域取得了巨大成功，越来越多的基于深度学习的合成孔径雷达SAR(Synthetic Aperture Rader)图像舰船目标检测方法被提出，并取得了很好的性能。由于舰船目标具有任意旋转方向的特点，基于斜框的检测方法更适合SAR图像舰船目标检测。常用的基于角度回归的方法通过SmoothL1损失函数回归旋转边框参数，存在角度周期性(Periodicity ofAngle,PoA)，边长交换性(Exchangeability of Edge,EoE)、损失函数及评价指标不一致等问题，导致模型收敛速度慢，检测性能差。
[0003]针对SAR图像舰船目标斜框检测精度低的问题，本专利技术借鉴Gaussian Wasserstein Distance(GWD)损失函数，基于CenterNet框架，设计了无锚框的SAR图像舰船目标斜框检测模型。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种SAR图像舰船目标斜框检测方法，其特征在于，所述方法包括：构建网络模型；所述网络模型中包括：ResNet
‑
101主干网络、特征融合模块、特征精炼模块以及多任务分支模块；所述ResNet
‑
101主干网络、特征融合模块、特征精炼模块以及多任务分支模块依次连接；获取训练集；采用所述训练集对所述网络模型进行训练；将SAR图像输入至训练好的网络模型中，得到目标位置的边框。2.根据权利要求1所述的SAR图像舰船目标斜框检测方法，其特征在于，所述采用所述训练集对所述网络模型进行训练具体包括：确定损失函数；采用所述损失函数计算预测值与真实值之间的误差；利用梯度下降法更新所述网络模型的参数，直到模型收敛。3.根据权利要求2所述的SAR图像舰船目标斜框检测方法，其特征在于，所述ResNet
‑
101主干网络包含5个阶段，用于提取特征，输出特征图[C1、C2、C3、C4、C5]；所述特征融合模块用于融合[C2、C3、C4、C5]特征图，输出4倍下采样特征图；所述特征精炼模块用于将所述4倍下采样特征图作为输入，输出注意力引导的4倍下采样特征图F
final
；所述特征精炼模块包括：通道注意力模块和空间注意力模块；所述多任务分支模块包括：中心点预测分支、中心点偏移预测分支以及斜框参数预测分支；所述中心点预测分支用于预测舰船目标中心点四倍下采样后的整数坐标，所述中心点偏移预测分支用于预测舰船目标中心点四倍下采样后的坐标相对于整数坐标的偏移，所述斜框预测分支用于预测舰船目标的宽、高和角度。4.根据权利要求1所述的SAR图像舰船目标斜框检测方法，其特征在于，所述损失函数的表达式如下：其中，N为目标的数目，λ1，λ2，λ3为权重系数，L
gwd
为旋转边框参数损失，L
o
为中心点偏移损失，L
h
为中心点损失；为中心点预测分支的损失，为中心点预测分支的损失，为中心点偏移预测分支的损失，L
gwd
(pred
i
,gt
i
)为预测边框和真实边框之间损失，α，β为惩罚系数，像素点为正样本时p
i
＝1，否则为0，表示预测为正样本的概率，o
i
表示目标中心点真实偏移，为目标中心点预测偏移...

【专利技术属性】
技术研发人员：苏航，徐从安，吴俊峰，张兆祥，刘瑜，姚力波，高龙，
申请(专利权)人：中国人民解放军海军航空大学航空作战勤务学院，
类型：发明
国别省市：