一种面向合成孔径雷达图像的目标检测方法及装置制造方法及图纸

本申请公开了一种面向合成孔径雷达图像的目标检测方法及装置，方法包括确定至少两种卷积操作，并基于至少两种卷积操作构建第一神经网络；将样本合成孔径雷达图像输入至第一神经网络，并根据预测结果以及样本真实结果，计算出第一损失值；基于第一损失值进行训练，并根据第一神经网络中的架构参数以及预设派生规则，派生出第二神经网络；将待处理合成孔径雷达图像输入至第二神经网络，并根据预测结果在待处理合成孔径雷达图像上显示目标检测框。相比于人工设计目标检测的神经网络模型，通过神经架构搜索自动化完成更符合需求的网络设计，不仅有效避免过多的专家人工知识所带来的领域知识限制，还可极大提高目标的检测效率以及精度。及精度。及精度。

【技术实现步骤摘要】
一种面向合成孔径雷达图像的目标检测方法及装置


[0001]本申请属于舰船目标检测
，特别的涉及一种面向合成孔径雷达图像的目标检测方法及装置。

技术介绍

[0002]神经网络在机器学习和认知科学领域是一种模仿生物神经网络的结构和功能的数学或计算模型，用于对复杂函数进行估计或近似。深度学习以深度神经网络为基础，旨在用多层神经网络增强对函数的拟合能力。目前已经有若干种深度神经网络，如卷积神经网络，循环神经网络等。目前深度神经网络在目标检测领域已经取得深刻的效果。深度学习算法分“训练”和“推断”两个过程。其中，“训练”过程以大量数据为基础，通过对神经网络进行前向计算（包括矩阵相乘、卷积、循环层）和后向更新（主要是梯度运算），不断的调整网络中的参数值，从而使模型在特定任务上的表现更好；而“推断”过程中神经网络的参数不变，主要只包括神经网络的前向计算。因深度卷积神经网络可从原始数据中学习到关键特征，其在目标检测等领域取得了巨大成功，也逐渐被应用于合成孔径雷达图像的目标检测上。
[0003]目前许多将深度神经网络应用到合成孔径雷达图像上的研究工作只是简单地将其他工作中的深度神经网络模型应用到舰船目标的合成孔径雷达图像上，没有根据舰船目标的合成孔径雷达图像目标检测任务对深度神经网络模型进行针对性设计和调整，这样使得迁移过来的深度神经网络模型不能很好适应新的舰船目标检测任务，进而影响到整体计算效率和性能。

技术实现思路

[0004]本申请为解决上述提到的目前许多将深度神经网络应用到合成孔径雷达图像上的研究工作只是简单地将其他工作中的深度神经网络模型应用到舰船目标的合成孔径雷达图像上，没有根据舰船目标的合成孔径雷达图像目标检测任务对深度神经网络模型进行针对性设计和调整，这样使得迁移过来的深度神经网络模型不能很好适应新的舰船目标检测任务，进而影响到整体计算效率和性能等技术问题，提出一种面向合成孔径雷达图像的目标检测方法及装置，包括：确定至少两种卷积操作，并基于至少两种卷积操作构建第一神经网络；将样本合成孔径雷达图像输入至第一神经网络，并根据第一神经网络的预测结果以及样本真实结果，计算出第一损失值；基于第一损失值对第一神经网络进行训练，并根据训练后的第一神经网络中的架构参数以及预设派生规则，派生出第二神经网络；将待处理合成孔径雷达图像输入至第二神经网络，并根据第二神经网络的预测结果，在待处理合成孔径雷达图像上显示目标检测框。
[0005]在第一方面的一种可选方案中，第一神经网络包括两个茎秆层以及八个单元层，其中：
第n个单元层包括第一预处理节点、第二预处理节点以及依次设置的第一中间节点、第二中间节点、第三中间节点、第四中间节点，第一预处理节点的输入端与第n
‑
2个单元层的输出端连接，第一预处理节点的输出端分别与第一中间节点的输入端、第二中间节点的输入端、第三中间节点的输入端以及第四中间节点的输入端连接；第二预处理节点的输入端与第n
‑
1个单元层的输出端连接，第二预处理节点的输出端分别与第一中间节点的输入端、第二中间节点的输入端、第三中间节点的输入端以及第四中间节点的输入端连接；第一中间节点的输出端分别与第二中间节点的输入端、第三中间节点的输入端以及第四中间节点的输入端连接；第二中间节点的输出端分别与第三中间节点的输入端以及第四中间节点的输入端连接；第三中间节点的输出端与第四中间节点的输入端连接；第n个单元层的输出端用于对第一中间节点的输出结果、第二中间节点的输出结果、第三中间节点的输出结果以及第四中间节点的输出结果进行拼接处理，并将处理后的输出结果输出至第n+1个单元层的第二预处理节点，n为大于或等于3的正整数。
[0006]在第一方面的又一种可选方案中，两个茎秆层包括第一茎秆层以及第二茎秆层，其中：第一个单元层中第一预处理节点的输入端与第一茎秆层的输出端连接，第一个单元层中第二预处理节点的输入端与第二茎秆层的输出端连接；第二个单元层中第一预处理节点的输入端与第二茎秆层的输出端连接，第二个单元层中第二预处理节点的输入端与第一个单元层的输出端连接。
[0007]在第一方面的又一种可选方案中，基于第一损失值对第一神经网络进行训练，包括：固定第一神经网络的权重参数，并基于第一损失值对第一神经网络的架构参数进行更新；在第一神经网络的架构参数进行更新之后，将样本合成孔径雷达图像重新输入至更新后的第一神经网络，并根据更新后的第一神经网络的预测结果以及样本真实结果，计算出第二损失值；固定更新后的第一神经网络中的架构参数，基于第二损失值对更新后的第一神经网络再次进行更新。
[0008]在第一方面的又一种可选方案中，在将待处理合成孔径雷达图像输入至第二神经网络之前，还包括：将样本合成孔径雷达图像输入至第二神经网络，并根据第二神经网络的预测结果以及样本真实结果，计算出第三损失值；基于第三损失值对第二神经网络进行训练；将待处理合成孔径雷达图像输入至第二神经网络，包括：将待处理合成孔径雷达图像输入至训练后的第二神经网络。
[0009]在第一方面的又一种可选方案中，第二神经网络的预测结果包括待处理合成孔径雷达图像中所有目标检测框的中心点横纵坐标、偏移量以及置信度；
根据第二神经网络的预测结果，在待处理合成孔径雷达图像上显示目标检测框，包括：对置信度低于预设置信度阈值的目标检测框进行过滤处理；对经过过滤处理的所有目标检测框进行非极大值抑制处理；将经过非极大值抑制处理的所有目标检测框、与每个目标检测框对应的中心点横纵坐标、偏移量以及置信度显示在待处理合成孔径雷达图像上。
[0010]在第一方面的又一种可选方案中，第二神经网络包括两个茎秆层以及十四个单元层。
[0011]第二方面，本申请实施例提供了一种面向合成孔径雷达图像的目标检测装置，包括：第一网络构建模块，用于确定至少两种卷积操作，并基于至少两种卷积操作构建第一神经网络；损失计算模块，用于将样本合成孔径雷达图像输入至第一神经网络，并根据第一神经网络的预测结果以及样本真实结果，计算出第一损失值；第二网络构建模块，用于基于第一损失值对第一神经网络进行训练，并根据训练后的第一神经网络中的架构参数以及预设派生规则，派生出第二神经网络；结果显示模块，用于将待处理合成孔径雷达图像输入至第二神经网络，并根据第二神经网络的预测结果，在待处理合成孔径雷达图像上显示目标检测框。
[0012]在第二方面的一种可选方案中，第一神经网络包括两个茎秆层以及八个单元层，其中：第n个单元层包括第一预处理节点、第二预处理节点以及依次设置的第一中间节点、第二中间节点、第三中间节点、第四中间节点，第一预处理节点的输入端与第n
‑
2个单元层的输出端连接，第一预处理节点的输出端分别与第一中间节点的输入端、第二中间节点的输入端、第三中间节点的输入端以及第四中间节点的输入端连接；第二预处理节点的输入端与第n
‑
1个单元层的输出端连接，第二预处理节点的输出端分别与第一中间节点的输入端、第二中间节点的输入端、第三中间节本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向合成孔径雷达图像的目标检测方法，其特征在于，包括：确定至少两种卷积操作，并基于所述至少两种卷积操作构建第一神经网络；将样本合成孔径雷达图像输入至所述第一神经网络，并根据所述第一神经网络的预测结果以及样本真实结果，计算出第一损失值；基于所述第一损失值对所述第一神经网络进行训练，并根据训练后的所述第一神经网络中的架构参数以及预设派生规则，派生出第二神经网络；将待处理合成孔径雷达图像输入至所述第二神经网络，并根据所述第二神经网络的预测结果，在所述待处理合成孔径雷达图像上显示目标检测框。2.根据权利要求1所述的方法，其特征在于，所述第一神经网络包括两个茎秆层以及八个单元层，其中：第n个单元层包括第一预处理节点、第二预处理节点以及依次设置的第一中间节点、第二中间节点、第三中间节点、第四中间节点，所述第一预处理节点的输入端与第n
‑
2个单元层的输出端连接，所述第一预处理节点的输出端分别与所述第一中间节点的输入端、所述第二中间节点的输入端、所述第三中间节点的输入端以及所述第四中间节点的输入端连接；所述第二预处理节点的输入端与第n
‑
1个单元层的输出端连接，所述第二预处理节点的输出端分别与所述第一中间节点的输入端、所述第二中间节点的输入端、所述第三中间节点的输入端以及所述第四中间节点的输入端连接；所述第一中间节点的输出端分别与所述第二中间节点的输入端、所述第三中间节点的输入端以及所述第四中间节点的输入端连接；所述第二中间节点的输出端分别与所述第三中间节点的输入端以及所述第四中间节点的输入端连接；所述第三中间节点的输出端与所述第四中间节点的输入端连接；所述第n个单元层的输出端用于对所述第一中间节点的输出结果、所述第二中间节点的输出结果、所述第三中间节点的输出结果以及所述第四中间节点的输出结果进行拼接处理，并将处理后的输出结果输出至第n+1个单元层的第二预处理节点，所述n为大于或等于3的正整数。3.根据权利要求2所述的方法，其特征在于，所述两个茎秆层包括第一茎秆层以及第二茎秆层，其中：第一个单元层中第一预处理节点的输入端与所述第一茎秆层的输出端连接，所述第一个单元层中第二预处理节点的输入端与所述第二茎秆层的输出端连接；第二个单元层中第一预处理节点的输入端与所述第二茎秆层的输出端连接，所述第二个单元层中第二预处理节点的输入端与所述第一个单元层的输出端连接。4.根据权利要求1所述的方法，其特征在于，所述基于所述第一损失值对所述第一神经网络进行训练，包括：固定所述第一神经网络的权重参数，并基于所述第一损失值对所述第一神经网络的架构参数进行更新；在所述第一神经网络的架构参数进行更新之后，将所述样本合成孔径雷达图像重新输入至更新后的所...

【专利技术属性】
技术研发人员：钱磊，李传佑，李一帆，张昆，尚江卫，原昊，曹清，何宁，陆一峰，
申请(专利权)人：无锡江南计算技术研究所，
类型：发明
国别省市：