基于场景特性学习的半监督SAR舰船检测方法技术

本发明专利技术公开了一种基于场景特性学习的半监督SAR舰船检测方法，主要解决现有技术在网络训练时对目标级标注的SAR图像依赖过高，且对复杂场景目标检测虚警过多的问题，其方案为：采集大幅SAR图像生成训练集；构建半监督SAR舰船检测网络，并对其进行训练；将待测试SAR图像输入到训练好的半监督SAR舰船检测网络中，得出不同场景测试子图像的目标框位置和类别；将每张测试子图像的目标框位置映射到待测试的每张大幅SAR图像的对应位置上，得到大幅SAR图像的舰船检测结果。本发明专利技术减轻了网络训练对目标级标注的依赖，降低了内陆虚警、近岸虚警和远海漏警，提升了SAR舰船检测性能，可用于从SAR图像中检测出感兴趣的舰船目标。用于从SAR图像中检测出感兴趣的舰船目标。用于从SAR图像中检测出感兴趣的舰船目标。

【技术实现步骤摘要】
基于场景特性学习的半监督SAR舰船检测方法


[0001]本专利技术属于雷达图像
，更进一步涉及一种半监督SAR舰船检测方法，可用于从SAR图像中检测感兴趣舰船目标。

技术介绍

[0002]合成孔径雷达SAR具有在全天时和全天候条件下提供遥感图像的优势，被广泛用于军事和民用领域。随着雷达成像技术的高速发展，SAR自动目标识别领域发展迅速，可获取的高分辨率SAR图像越来越多。而SAR自动目标检测作为SAR自动目标识别的首要阶段，受到了广泛的关注。在SAR自动目标检测领域，一个重要的分支是SAR舰船检测，其对海上船只监视和军事情报获取具有重要的意义。恒虚警率CFAR是使用最广泛、最深入的传统SAR舰船检测方法，该类方法借助于背景杂波统计分布建模来利用背景信息，进而获取自适应的阈值，然后通过滑动窗口将像素的灰度值与自适应阈值进行比较，得到检测结果。因此，确定合适的杂波统计模型对于保证CFAR的检测性能十分重要，而实测SAR图像由于包含大量复杂的背景杂波，难以选择一个适合的杂波统计模型，从而造成检测性能的下降。随着深度学习的发展，许多基于卷积神经网络的方法被提出，并取得了超越传统CFAR方法的性能，这些方法在SAR舰船s检测中取得了重大进展。但是这类方法要求SAR图像全部具有十分精细的目标级标注，然而对SAR图像进行目标级标注需要耗费大量的人力物力，这在实际中很难获取。
[0003]专利号为CN201610561587.2的专利文献中公开了一种基于卷积神经网络的SAR图像目标检测方法。其基于卷积神经网络设计SAR目标检测网络，然后使用标记好的训练SAR图像训练目标检测网络，当训练收敛之后，使用训练好的模型对测试SAR图像进行测试，得到测试SAR图像的检测结果。该方法利用了卷积神经网络的特征提取能力和非线性映射能力，具有较好的性能。但是该方法需要大量具有目标级标记的SAR图像作为训练数据，对目标级标记的SAR图像的依赖程度高，在一些目标级标记SAR图像获取困难的情况下，该方法的检测性能较差。
[0004]申请号为：CN201910016413.1的专利文献公开了一种“基于半监督CNN的SAR图像目标检测系统和方法”，其设计了利用自学习算法训练SAR目标检测网络，首先使用具有目标级标记的训练SAR图像训练模型；然后使用训练好的模型对不具有目标级标记的训练SAR图像进行预测，并将可信度高的预测结果作为伪目标级标记；最后使用所有具有目标级标记的训练SAR图像再次训练模型；整个过程的后两部多次进行直至收敛。该方法虽说降低了网络的训练对目标级标记样本的依赖程度。但该方法仍然存在两方面的不足：一是由于基于自学习所生成的伪目标级标记会存在错误情况，因而影响网络训练，导致检测性能下降；二是当SAR图像的场景中包含大量复杂背景杂波时，比如在复杂的内陆和近岸场景中，会产生大量的虚警，导致检测精度下降。

技术实现思路

[0005]本专利技术的目的在于针对上述现有技术的不足，提出一种基于场景特性学习的半监督SAR舰船检测方法，以提高SAR目标检测网络在具有少量目标级标注条件下的检测性能，减小SAR图像在内陆和近岸场景下的虚警，提升检测精度。
[0006]本专利技术的技术思路是：通过构建一个基于场景特性学习的半监督SAR舰船检测网络，并通过在网络训练时设计的与检测子网络相并行的场景特性学习子网络来充分利用SAR图像的场景级标注，以解决现有技术在训练阶段对于目标级标注依赖严重的问题；本专利技术通过构建一个由场景到目标的分级测试过程，在测试时先识别SAR图像的场景类型，并对识别为不同场景的SAR图像设计不同的舰船检测策略，以解决现有技术对内陆和近岸这些复杂性场景SAR图像进行目标检测时得到的虚警过多且检测精度低的问题。其实现步骤包括如下：
[0007](1)生成训练集：
[0008]采集至少21张大幅SAR图像，将每张大幅SAR图像裁剪为512
×
512大小的多张子图像；从包含舰船目标的子图像中随机挑选30％进行目标级标记和场景级标记，其余的子图像只进行场景级标记，将所有标记后的子图像组成训练集；
[0009](2)构建半监督SAR舰船检测网络：
[0010](2a)搭建一个由八个卷积块串联组成的特征提取子网络；
[0011](2b)搭建一个由四个卷积块和四个检测头组成的检测子网络，其中四个卷积块首先依次串联连接，然后每个卷积块再分别与其对应的检测头连接；
[0012](2c)搭建由场景识别模块和场景聚合模块并联组成的场景特性学习子网络；
[0013](2d)将场景特性学习子网络与检测子网络并联，然后将它们与特征提取子网络串联构成半监督SAR舰船检测网络；
[0014](3)将训练集输入到半监督SAR舰船检测网络中，利用随机梯度下降算法，迭代更新网络的权重值，优化网络的总损失函数直至其收敛，得到训练好的半监督SAR舰船检测网络；
[0015](4)检测待测试SAR图像中的目标框位置：
[0016](4a)将待测试的大幅SAR图像滑窗裁剪为多张512
×
512大小的子图像；
[0017](4b)将每张测试子图像依次输入到训练好的特征提取子网络和场景识别模块中，得到测试子图像的场景识别结果；
[0018](4c)根据场景识别结果，得出目标框位置和目标框类别：
[0019]对于场景识别结果为内陆场景的测试子图像，输出检测结果为无目标；
[0020]对于场景识别结果为近岸场景的测试子图像，将该测试子图像输入到检测子网络中，并设置近岸检测阈值th
in
，得到该测试子图像的目标框位置和目标框类别；
[0021]对于场景识别结果为远海场景的测试子图像，将该测试子图像输入到检测子网络中，并设置远海检测阈值th
off
，得到该测试子图像的目标框位置和目标框类别；
[0022](5)依照滑窗的顺序，将每张测试子图像的目标框位置映射到待测试的每张大幅SAR图像的对应位置上，得到大幅SAR图像的舰船检测结果。
[0023]本专利技术与现有的技术相比具有以下优点：
[0024]第一，本专利技术通过同时利用SAR图像的目标级标注和场景级标注训练网络，可以从
SAR图像的场景级标注中学习有利于SAR舰船检测的特征，从而减轻了网络训练对于目标级标注的依赖，并且避免了由于自学习所带来的伪目标级标记错误的问题，提高了少量目标级标记条件下的SAR舰船检测性能。
[0025]第二，本专利技术由于在测试时设计了一种由场景到目标的分级测试过程，通过充分考虑SAR图像的场景特性，对不同场景的SAR图像设置了不同的检测策略，显著降低了内陆虚警、近岸虚警和远海漏警，从而提升了SAR舰船检测性能。
附图说明
[0026]图1是本专利技术的实现流程图；
[0027]图2是本专利技术中构建的半监督SAR舰船检测网络整体结构示意图；
[0028]图3是用本专利技术和现有技术Refi本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于场景特性学习的半监督SAR舰船检测方法，其特征在于，包括如下步骤：(1)生成训练集：采集至少21张大幅SAR图像，将每张大幅SAR图像裁剪为512
×
512大小的多张子图像；从包含舰船目标的子图像中随机挑选30％进行目标级标记和场景级标记，其余的子图像只进行场景级标记，将所有标记后的子图像组成训练集；(2)构建半监督SAR舰船检测网络：(2a)搭建一个由八个卷积块串联组成的特征提取子网络；(2b)搭建一个由四个卷积块和四个检测头组成的检测子网络，其中四个卷积块首先依次串联连接，然后每个卷积块再分别与其对应的检测头连接；(2c)搭建由场景识别模块和场景聚合模块并联组成的场景特性学习子网络；(2d)将场景特性学习子网络与检测子网络并联，然后将它们与特征提取子网络串联构成半监督SAR舰船检测网络；(3)将训练集输入到半监督SAR舰船检测网络中，利用随机梯度下降算法，迭代更新网络的权重值，优化网络的总损失函数直至其收敛，得到训练好的半监督SAR舰船检测网络；(4)检测待测试SAR图像中的目标框位置：(4a)将待测试的大幅SAR图像滑窗裁剪为多张512
×
512大小的子图像；(4b)将每张测试子图像依次输入到训练好的特征提取子网络和场景识别模块中，得到测试子图像的场景识别结果；(4c)根据场景识别结果，得出目标框位置和目标框类别：对于场景识别结果为内陆场景的测试子图像，输出检测结果为无目标；对于场景识别结果为近岸场景的测试子图像，将该测试子图像输入到检测子网络中，并设置近岸检测阈值th
in
，得到该测试子图像的目标框位置和目标框类别；对于场景识别结果为远海场景的测试子图像，将该测试子图像输入到检测子网络中，并设置远海检测阈值th
off
，得到该测试子图像的目标框位置和目标框类别；(5)依照滑窗的顺序，将每张测试子图像的目标框位置映射到待测试的每张大幅SAR图像的对应位置上，得到大幅SAR图像的舰船检测结果。2.根据权利要求1所述的方法，其特征在于：步骤(2a)搭建的特征提取子网络中，各卷积块的结构参数如下：第一卷积块中包含卷积层和池化层，其中卷积层个数设置为1，该卷积层的卷积核大小设置为7
×
7，池化层个数设置为1，池化区域大小设置为2
×
2；第二卷积块的卷积层个数设置为4，该4个卷积层的卷积核大小分别设置为1
×
1，3
×
3，1
×
1，1
×
1；第三卷积块的卷积层个数设置为3，该3个卷积层的卷积核大小分别设置为1
×
1，3
×
3，1
×
1；第四卷积块、第六卷积块、第七卷积块、第八卷积块的卷积层个数和卷积核大小均与第三卷积块相同；第五卷积块的卷积层个数和卷积核大小与第二卷积块相同。3.根据权利要求1所述的方法，其特征在于：步骤(2b)搭建的检测子网络中，各卷积块的结构参数如下：
第一卷积块的卷积层个数设置为10，该10个卷积层的卷积核大小分别设置为1
×
1，3
×
3，1
×
1，1
×
1，1
×
1，3
×
3，1
×
1，1
×
1，3
×
3，1
×
1；第二卷积块的卷积层个数设置为9，该9个卷积层的卷积核大小分别设置为1
×
1，3
×
3，1
×
1，1
×
1，3
×
3，1
×
1，1
×
1，3
×
3，1
×
1；第三卷积块的卷积层个数设置为10，该10个卷积层的卷积核大小分别设置为1
×
1，3
×
3，1
×
1，1
×
1，1
×
1，3
×
3，1
×
1，1
×
1，3
×
3，1
...

【专利技术属性】
技术研发人员：杜兰，杜宇昂，郭昱辰，石钰，李毅，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：