一种基于改进YOLOx的SAR图像舰船目标检测方法技术

本发明专利技术提供一种基于改进YOLOx的SAR图像舰船目标检测方法。该方法包括：步骤1：将获取的SSDD数据集按一定比例划分为训练集、测试集和验证集；步骤2：利用训练集和验证集对改进的YOLOx检测网络模型进行训练，获取最优检测模型；步骤3：利用训练得到的最优检测模型对测试集中的图片数据进行检测；所述改进的YOLOx检测网络模型的构建过程包括：在原YOLOx网络模型的加强特征提取网络模块的三个特征提取分支的最后一层各自增加一个ECANet模块。本发明专利技术可以达到增强有用特征、抑制无用特征的目的，使得模型更能合理有效地利用特征信息，从而提高检测精度。高检测精度。高检测精度。

【技术实现步骤摘要】
一种基于改进YOLOx的SAR图像舰船目标检测方法


[0001]本专利技术涉及计算机视觉
，尤其涉及一种基于改进YOLOx的SAR图像舰船目标检测方法。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar，SAR)是一种微波主动式传感器，具有一定地表穿透能力，能够获取地球表面的高分辨率图像。SAR图像不同于传统的光学遥感图像，SAR数据量巨大，信息提取较困难，数据处理时易发生几何畸变，且图像中存在大量散斑噪声，使得舰船目标差异过大，振幅信息深受噪声的影响。
[0003]现有的传统的SAR图像舰船检测方法在特征提取和场景分割等环节均需要人工操作，且检测效率低、泛化能力弱，且大多依赖于具体特定的海洋环境。如基于恒虚警率(constant false alarm rate，CFAR)的方法，需要通过人为设计特征，来检测海陆分割后的舰船目标，该方法不能够很好地排除岛屿、灯塔、浮标等虚警，因此对近海舰船目标识别效果较差；如基于加权信息熵的SAR图像舰船检测方法虽然提高了复杂背景下的平均精度，但依然存在着工作量较大、稳健性较差等缺点。
[0004]近年来，随着深度学习的逐步兴起，卷积神经网络(ConvolutionalNeural Networks，CNN)被应用于计算机视觉领域，如图像分类、目标检测等，取得了良好的效果。然而，SAR图像舰船目标视觉显著性差，部分SAR图像分辨率较低且其中的舰船目标尺寸较小，属于典型的小目标检测，提取其特征时容易丢失特征信息，产生漏检与误报。除舰船尺度特性较小外，其分布特性较为密集，因此现有的深度神经网络模型也难以得到良好的检测效果。
[0005]此外，现有基于深度学习的SAR图像舰船检测方法均是基于锚框机制的，需要先以铺设的锚框为检测起点，再对锚框的类别和位置进行校正，因此会占用大量计算资源、耗费时间成本。随着深度学习的发展，逐渐涌现出基于无锚机制的目标检测模型，但由于SAR图像和舰船目标的固有特性，直接将其应用于SAR图像舰船检测时，容易造成中小目标漏检率和误检率较高。

技术实现思路

[0006]针对现有目标检测方法对于SAR图像中舰船目标检测效果较差的问题，本专利技术提出一种基于改进YOLOx的SAR图像舰船目标检测方法，具有较好的变尺度识别能力，提高了舰船小目标的检测效果，在工程应用上具有一定的参考价值。
[0007]本专利技术提供一种基于改进YOLOx的SAR图像舰船目标检测方法，包括：
[0008]步骤1：将获取的SSDD数据集按一定比例划分为训练集、测试集和验证集；
[0009]步骤2：利用训练集和验证集对改进的YOLOx检测网络模型进行训练，获取最优检测模型；
[0010]步骤3：利用训练得到的最优检测模型对测试集中的图片数据进行检测；
[0011]所述改进的YOLOx检测网络模型的构建过程包括：在原YOLOx网络模型的加强特征提取网络模块的三个特征提取分支的最后一层各自增加一个ECANet模块。
[0012]进一步地，所述改进的YOLOx检测网络模型的构建过程还包括：对原YOLOx网络模型的Mosaic数据增强中的缩放比例参数进行调整，并引入高斯噪声和背景替换。
[0013]进一步地，所述改进的YOLOx检测网络模型的构建过程还包括：将原YOLOx网络模型的置信度损失函数替换为VariFocalLoss。
[0014]进一步地，所述对原YOLOx网络模型的Mosaic数据增强中的缩放比例参数进行调整，具体包括：针对训练集中的图片数据，随机对当前输入的图片使用Mosaic数据增强，并随机设定Mosaic数据增强过程中的缩放比例；其中，设定缩放比例的下限为0.5，上限为1.8。
[0015]本专利技术的有益效果：
[0016]本专利技术针对现有的目标检测方法对于SAR图像舰船目标检测中，数据集较少，精度较差，小尺寸密集舰船目标漏检多等问题，提出了一种基于改进YOLOx的SAR图像舰船目标检测方法。首次将基于无锚的YOLOx深度学习模型应用于SAR图像检测目标检测，为了解决SAR图像数据稀少，本专利技术提出改进的Mosaic数据增强在丰富了数据集的同时，解决了小目标过小，难以提取有效特征的问题。其次，通过在输出头前加入EAC_Net注意力机制，为每个通道赋予不同的权值，达到增强有用特征、抑制无用特征的目的，使得模型更能合理有效地利用特征信息。再次，改进YOLOx的置信度预测损失，采用VariFocalLoss，得以保证密集目标不容易被漏检，以此提高精度。
附图说明
[0017]图1为本专利技术实施例提供的一种基于改进YOLOx的SAR图像舰船目标检测方法的流程示意图；
[0018]图2为本专利技术实施例提供的改进的YOLOx检测网络模型的结构示意图；
[0019]图3为本专利技术实施例提供的利用本专利技术方法对SAR图像舰船目标检测的结果示例图。
具体实施方式
[0020]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0021]实施例1
[0022]如图1所示，本专利技术实施例提供一种基于改进YOLOx的SAR图像舰船目标检测方法，包括：
[0023]S101：将获取的SSDD数据集按一定比例划分为训练集、测试集和验证集；
[0024]S102：利用训练集和验证集对改进的YOLOx检测网络模型进行训练，获取最优检测模型；
[0025]S103：利用训练得到的最优检测模型对测试集中的图片数据进行检测；
[0026]所述改进的YOLOx检测网络模型的构建过程包括：在原YOLOx网络模型的加强特征提取网络模块的三个特征提取分支的最后一层各自增加一个ECANet模块。
[0027]具体地，改进的YOLOx检测网络模型的结构如图2所示，包括主干特征提取网络CspDarkNet模块、加强特征提取网络YOLOPAFPN模块以及解耦头YOLOHead模块。在加强特征提取网络模块中，自上而下建立三层特征金字塔，三个特征层位于特征提取网络模块的不同输出位置。本专利技术实施例主要是对加强特征提取网络模块进行改进，特别设计了基于轻量注意力机制的特征融合结构，以基于通道注意力机制的特征融合方式衔接相邻特征层，将ECANet注意力模块添加于三个特征层的最后，即位于每个YOLOxHead输出层之前，从而使得提取的特征图可以进一步突出有效信息区域，提高各通道间交流能力，抑制过拟合，并且该模块复杂度较小，提升效果显著。
[0028]原始的YOLOx网络模型中使用了Mosaic数据增强，其重要思路是通过随机缩放、裁减及排布进行4张图像拼接，优点是增大了检测数据集特别是丰富了小目标，增强本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOx的SAR图像舰船目标检测方法，其特征在于，包括：步骤1：将获取的SSDD数据集按一定比例划分为训练集、测试集和验证集；步骤2：利用训练集和验证集对改进的YOLOx检测网络模型进行训练，获取最优检测模型；步骤3：利用训练得到的最优检测模型对测试集中的图片数据进行检测；所述改进的YOLOx检测网络模型的构建过程包括：在原YOLOx网络模型的加强特征提取网络模块的三个特征提取分支的最后一层各自增加一个ECANet模块。2.根据权利要求1所述的一种基于改进YOLOx的SAR图像舰船目标检测方法，其特征在于，所述改进的YOLOx检测网络模型的构建过程还包括：对原YOLOx网络模型的Mosaic数...

【专利技术属性】
技术研发人员：乔保军，何思源，汤承翰，张硕，杜莹，
申请(专利权)人：河南大学，
类型：发明
国别省市：