本发明专利技术公开了一种基于特征融合和跨层连接的SAR图像目标检测方法，包括：获取待检测图像，待检测图像为SAR图像；输入待检测图像至预先训练好的检测模型，以使待检测模型对待检测图像进行下采样，得到不同尺度的第一类特征图；对第一类特征图进行注意力特征融合得到第二类特征图后，对第一类特征图及第二类特征图进行跨尺度特征融合，得到第三类特征图；利用第三类特征图感知待检测图像中的目标，获得目标检测结果。本发明专利技术通过4倍、8倍、16倍和32倍下采样提取出待检测图像的浅层细节特征，同时将其与深层语义特征融合，能够提升对目标的检测能力。此外，本发明专利技术在特征图的融合过程中还引入了注意力机制，可以进一步提升待检测图像中目标的检测精度。目标的检测精度。目标的检测精度。
【技术实现步骤摘要】
基于特征融合和跨层连接的SAR图像目标检测方法
[0001]本专利技术属于目标检测
，具体涉及一种基于特征融合和跨层连接的SAR图像目标检测方法。
技术介绍
[0002]SAR(Synthetic Aperture Radar，合成孔径雷达)使用主动微波成像，有一定的穿透作用，能够有效探测各种伪装目标，适合在各种恶劣的战场条件下完成侦察目标，从而提供各种条件下的高分辨图像，因此对SAR图像进行目标检测在军事战略部署和海洋管理等领域起着重要的作用。
[0003]现有的SAR目标检测算法主要包括恒虚警率检测算法、多图像特征融合算法、支持向量机和贝叶斯分类器等。随着天气、环境的干扰以及数据量的增加，这些传统算法对于检测模型的求解会变得十分困难，因此将会造成目标的虚警或者漏检，降低目标的检测效果。
[0004]近年来，深度学习技术快速发展，由于深度学习技术不需要人工耗时耗力的设计特征就可以实现目标检测，因此推动了基于深度学习的SAR图像目标检测的研究。相关技术中，苏娟等人在《用于SAR图像小目标舰船检测的改进SSD算法》中提出了迁移学习、浅层特征增强和数据增广三个方面的改进，使检测精度比原始的SSD检测精度有所提高。胡昌华在《基于深度卷积神经网络的SAR图像舰船小目标检测》中，通过在损失函数中引入目标尺寸的平衡项，使小目标具有更低的损失函数值，从而使小目标更容易检测到，使得检测效果有所提升。
[0005]然而，上述方法无法达到实际应用中对于目标检测较高的精度要求，因此本领域技术人员亟需提出一种具有高精度检测效果的SAR图像小目标检测方法。
技术实现思路
[0006]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于特征融合和跨层连接的SAR图像目标检测方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0007]本专利技术实施例提供一种基于特征融合和跨层连接的SAR图像目标检测方法，包括：
[0008]获取待检测图像，所述待检测图像为SAR图像；
[0009]输入所述待检测图像至预先训练好的检测模型，以使所述待检测模型对所述待检测图像进行下采样，得到不同尺度的第一类特征图；
[0010]对所述第一类特征图进行注意力特征融合得到第二类特征图后，对所述第一类特征图及第二类特征图进行跨尺度特征融合，得到第三类特征图；
[0011]利用所述第三类特征图感知所述待检测图像中的目标，获得目标检测结果。
[0012]在本专利技术的一个实施例中，所述检测模型包括下采样模块，所述下采样模块包括第一下采样层、第二下采样层、第三下采样层和第四下采样层，所述第一下采样层、第二下采样层、第三下采样层和第四下采样层均包括卷积核大小为3
×
3、步长为2的卷积层。
[0013]在本专利技术的一个实施例中，输入所述待检测图像至预先训练好的检测模型，以使
所述待检测模型对所述待检测图像进行下采样，得到不同尺度的第一类特征图的步骤，包括：
[0014]将所述待检测图像输入预先训练好的检测模型后，所述第一下采样层、第二下采样层、第三下采样层和第四下采样层分别对所述待检测图像进行4倍下采样、8倍下采样、16倍下采样和32倍下采样，获得特征图F1、特征图F2、特征图F3和特征图F4。
[0015]在本专利技术的一个实施例中，所述检测模型还包括第一特征融合模块；
[0016]对所述第一类特征图进行注意力特征融合得到第二类特征图的步骤，包括：
[0017]所述第一特征融合模块将所述特征图F4依次输入卷积核大小为1
×
1的卷积层以及3个5
×
5串行连接的最大池化层，获得第二类特征图中的特征图F5，所述特征图F5的尺寸与所述特征图F4的尺寸相同；
[0018]所述第一特征融合模块对所述特征图F5进行2倍上采样后，与所述特征图F3融合得到特征图F6；
[0019]所述第一特征融合模块对所述特征图F6进行2倍上采样后，与所述特征图F2融合得到特征图F7；
[0020]所述第一特征融合模块对所述特征图F7进行2倍上采样后，与所述特征图F1融合得到特征图F8。
[0021]在本专利技术的一个实施例中，对所述特征图F5进行2倍上采样后，与所述特征图F3融合得到特征图F6的步骤，包括：
[0022]对所述特征图F5进行2倍上采样；
[0023]利用注意力机制对上采样后的特征图F5以及所述特征图F3分别进行处理；
[0024]将经过注意力机制处理的特征图F5和特征图F3进行通道拼接，得到特征图F6。
[0025]在本专利技术的一个实施例中，利用注意力机制按照如下步骤对特征图F3进行处理：
[0026]利用残差网络对所述特征图F3进行处理，得到特征图F3
’
；
[0027]对所述特征图F3
’
分别在水平方向和竖直方向进行全局平均池化，得到水平方向特征图及竖直方向特征图
[0028]分别对所述水平方向特征图及所述竖直方向特征图进行卷积，并对得到的第一子特征图及第二子特征图进行通道拼接，获得第三子特征图；
[0029]对所述第三子特征图进行非线性处理后，拆分得到水平方向特征图及竖直方向特征图
[0030]分别对所述水平方向特征图及所述竖直方向特征图进行卷积及归一化，得到水平方向的注意力权重和竖直方向的注意力权重；
[0031]将所述特征图F3
’
、所述水平方向的注意力权重以及竖直方向的注意力权重相乘，得到经过注意力机制处理的特征图F3。
[0032]在本专利技术的一个实施例中，所述检测模型还包括第二特征融合模块；
[0033]对所述第一类特征图及第二类特征图进行跨尺度特征融合，得到第三类特征图的步骤，包括：
[0034]所述第二特征融合模块将所述特征图F8依次输入卷积核大小为1
×
1的卷积层以
及3个5
×
5串行连接的最大池化层，获得第三类特征图中的特征图F9，所述特征图F9的尺寸与所述特征图F8的尺寸相同；
[0035]所述第二特征融合模块对所述特征图F9进行2倍下采样后，与所述特征图F2及所述特征图F7进行特征融合，得到特征图F10；
[0036]所述第二特征融合模块对所述特征图F10进行2倍下采样后，与所述特征图F3及所述特征图F6进行特征融合，得到特征图F11；
[0037]所述第二特征融合模块对所述特征图F11进行2倍下采样后，与所述特征图F5进行特征融合，得到特征图F12。
[0038]在本专利技术的一个实施例中，对所述特征图F9进行2倍下采样后，与所述特征图F2及所述特征图F7进行特征融合，得到特征图F10的步骤，包括：
[0039]对所述特征图F9进行2倍下采样；
[0040]利用所述注意力机制对下采样后的特征图F9、所述特征图F2及所述特征图F7分别进行处理；
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于特征融合和跨层连接的SAR图像目标检测方法，其特征在于，包括：获取待检测图像，所述待检测图像为SAR图像；输入所述待检测图像至预先训练好的检测模型，以使所述待检测模型对所述待检测图像进行下采样，得到不同尺度的第一类特征图；对所述第一类特征图进行注意力特征融合得到第二类特征图后，对所述第一类特征图及第二类特征图进行跨尺度特征融合，得到第三类特征图；利用所述第三类特征图感知所述待检测图像中的目标，获得目标检测结果。2.根据权利要求1所述的基于特征融合和跨层连接的SAR图像目标检测方法，其特征在于，所述检测模型包括下采样模块，所述下采样模块包括第一下采样层、第二下采样层、第三下采样层和第四下采样层，所述第一下采样层、第二下采样层、第三下采样层和第四下采样层均包括卷积核大小为3
×
3、步长为2的卷积层。3.根据权利要求2所述的基于特征融合和跨层连接的SAR图像目标检测方法，其特征在于，输入所述待检测图像至预先训练好的检测模型，以使所述待检测模型对所述待检测图像进行下采样，得到不同尺度的第一类特征图的步骤，包括：将所述待检测图像输入预先训练好的检测模型后，所述第一下采样层、第二下采样层、第三下采样层和第四下采样层分别对所述待检测图像进行4倍下采样、8倍下采样、16倍下采样和32倍下采样，获得特征图F1、特征图F2、特征图F3和特征图F4。4.根据权利要求3所述的基于特征融合和跨层连接的SAR图像目标检测方法，其特征在于，所述检测模型还包括第一特征融合模块；对所述第一类特征图进行注意力特征融合得到第二类特征图的步骤，包括：所述第一特征融合模块将所述特征图F4依次输入卷积核大小为1
×
1的卷积层以及3个5
×
5串行连接的最大池化层，获得第二类特征图中的特征图F5，所述特征图F5的尺寸与所述特征图F4的尺寸相同；所述第一特征融合模块对所述特征图F5进行2倍上采样后，与所述特征图F3融合得到特征图F6；所述第一特征融合模块对所述特征图F6进行2倍上采样后，与所述特征图F2融合得到特征图F7；所述第一特征融合模块对所述特征图F7进行2倍上采样后，与所述特征图F1融合得到特征图F8。5.根据权利要求4所述的基于特征融合和跨层连接的SAR图像目标检测方法，其特征在于，对所述特征图F5进行2倍上采样后，与所述特征图F3融合得到特征图F6的步骤，包括：对所述特征图F5进行2倍上采样；利用注意力机制对上采样后的...
【专利技术属性】
技术研发人员：李艳艳，孙明，陈晓璇，孟娜，
申请(专利权)人：西北大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。