一种SAR图像中舰船目标检测方法技术

本发明专利技术公开了一种SAR图像中舰船目标检测方法，包括以下步骤：构建SAR图像舰船目标数据集SAR_DATA，对SAR_DATA进行数据增强技术处理得到SAR_DATA_AUG，对Mobilenet V3神经网络进行改进得到SAR Mobilenet V3，并通过增强后的数据集对其进行训练。本发明专利技术可以在得到较好的目标检测效果的同时大幅降低检测所需的计算量。量。量。

【技术实现步骤摘要】
一种SAR图像中舰船目标检测方法


[0001]本专利技术属于雷达
，具体涉及一种SAR图像中舰船目标检测方法。

技术介绍

[0002]合成孔径雷达(Synthetic Aperture Radar，SAR)是一种高分辨率成像雷达，具有分辨率高、全天候工作、有效识别伪装和穿透掩盖物等特点，具有宏观、准确、综合地进行动态观测与监测的能力。从SAR图像中进行舰船目标检测有着广泛的应用前景，在军事领域，对特定目标进行位置检测，有利于战术部署，提高海防预警能力；在民用邻域，对某些偷渡、非法捕鱼船只进行检测，有助于海运的监测与管理。因此，面向SAR图像针对舰船目标检测开展研究具有十分重大的意义。
[0003]然而，传统的SAR图像检测方法主要依赖于手工特征提取。尽管在某些特定场合取得了优异的性能，但过度依赖人工经验仍然导致在多传感器和多场景应用方面的性能下降。此外，手工提取特征既费时又费力。基于深度学习的方法借助其自主学习参数和自动提取特征的能力，为SAR图像检测注入强大的活力。卷积神经网络(CNN)可以在给定的标签数据上自动学习不同类型船舶的特征，避免繁琐的手工特征提取，同时可以实现由于手工特征提取的检测性能。
[0004]针对SAR图像目标检测领域，近年来已有基于深度卷积神经网络的Faster R
‑
CNN，YOLO，RetinaNet等算法应用于SAR图像舰船目标检测，并且在SAR图像舰船目标检测场景取得了优异的表现。然而，现有的研究方法大多需要一个较为复杂的骨干网络用于特征提取，导致模型参数量庞大，检测速度较慢，实时性较差。因此，对于SAR图像舰船目标检测场景，如何提出一个更轻量、检测速度更快、实时性更强的模型正是一个亟待解决的技术问题。

技术实现思路

[0005]针对现有技术中存在的问题，本专利技术的目的在于提供一种SAR图像中舰船目标检测方法，可以在得到较好的目标检测效果的同时大幅降低检测所需的计算量。
[0006]本专利技术采用以下技术方案：
[0007]一种SAR图像中舰船目标检测方法，包括以下步骤：
[0008]步骤1，构建SAR图像舰船目标数据集SAR_DATA；
[0009]步骤2，对SAR_DATA进行数据增强，得到SAR_DATA_AUG；
[0010]步骤3，构建轻量化的SAR Mobilenet V3神经网络，并使用SAR_DATA_AUG中的数据训练SAR Mobilenet V3神经网络；
[0011]步骤4，基于训练好的轻量化SAR Mobilenet V3神经网络进行SAR图像舰船目标检测。
[0012]进一步的，所述步骤1中，将SAR_DATA按照7∶3的比例划分为训练集和测试集。
[0013]进一步的，所述步骤2中对SAR_DATA进行数据增强，包括对其中的图像进行如下几种操作：翻转、RGB移动、标准化、模糊、缩放、随机设置亮度和对比度。
[0014](1)翻转(Flip)
[0015]水平、垂直或水平和垂直翻转输入。
[0016](2)RGB移动(RGBShift)
[0017]随机移动输入RGB图像的每个通道的值。
[0018](3)标准化(Normalize)
[0019]标准化图像。
[0020](4)模糊(blur)
[0021]使用随机大小的内核模糊输入图像；
[0022](5)缩放(Resize)
[0023]将图像统一缩放至某一尺寸；
[0024](6)随机亮度对比度(RandomBrightnessContrast)
[0025]随机改变输入图像的亮度和对比度。
[0026]进一步的，所述步骤3中，轻量化SAR Mobilenet V3神经网络采用升级后的MobilenetV3
‑
small模型，MobilenetV3
‑
small模型升级方法即使用原MobilenetV3
‑
small模型中的backbone部分，使用YOLOF模块中的neck和head部分代替原MobilenetV3
‑
small模型中的neck和head部分，并使用深度可分离卷积模块代替来自YOLOF模块中的neck和head部分中的普通卷积模块。该方案具有以下特点：
[0027](1)使用YOLOF的head与neck
[0028]现有的目标检测模型多采用特征金字塔(FPN)结构进行特征融合；本申请考虑到FPN使网络结构复杂，带来内存负担，降低了检测器的速度。因此引入YOLOF模块对MobilenetV3
‑
small模型进行改进，利用YOLOF的编解码器通过堆叠标准卷积和膨胀卷积增大了感受野，既提高了目标检测的准确率，又提高了检测速度。
[0029](2)将来自YOLOF的head与neck两部分中的普通卷积模块替换为了深度可分离卷积模块
[0030]假设标准卷积的卷积核大小为D
k
*D
k
*M*N，对于标准卷积操作可以认为输入F
in
*F
in
*M的特征图，输出是F
out
*F
out
*N。其中F
in
代表输入特征图的大小F
out
代表输出特征图的大小，M、N分别是输入和输出的通道数，D
k
是卷积核的大小。所以标准卷积的计算量如式1：
[0031]D
k
*D
k
*M*N*F
in
*F
in
[0032]使用一个逐深度卷积和一个可分离卷积组成的深度可分离卷积可以代替传统卷积。对于D
k
*D
k
*M的逐深度卷积核，其计算量如公式2：
[0033]D
k
*D
k
*M*F
in
*F
in
[0034]可以看出逐深度卷积核非常高效，计算星较少。但是只对输入通道做卷积，并没有产生新的特征，所以需要跟随一个可分离卷积卷积，对输出通道做线性结合，产生新的特征。深度可分离卷积的计算量如下式：
[0035]D
k
*D
k
*M*F
in
*F
in
+M*N*F
in
*F
in
[0036]所以，对于输入输出通道数和卷积核相等的卷积操作，深度可分离卷积与标准卷积的计算量之比为：
[0037][0038]因此，将来自YOLOF两部分的普通卷积模块替换为深度可分离卷积模块，可以大大减少计算量。
[0039]进一步的，所述步骤3中，轻量化SAR Mobilenet V3神经网络训练过程中，采用Leaky ReLU作为激活函数。ReLU是将所有的负值都设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种SAR图像中舰船目标检测方法，其特征在于，包括以下步骤：步骤1，构建SAR图像舰船目标数据集SAR_DATA；步骤2，对SAR_DATA进行数据增强，得到SAR_DATA_AUG；步骤3，构建SAR Mobilenet V3神经网络，并使用SAR_DATA_AUG中的数据训练SAR Mobilenet V3神经网络；步骤4，基于训练好的轻量化SAR Mobilenet V3神经网络进行SAR图像舰船目标检测。2.根据权利要求1所述的SAR图像中舰船目标检测方法，其特征在于，所述步骤1中，将SAR_DATA按照7∶3的比例划分为训练集和测试集。3.根据权利要求1所述的SAR图像中舰船目标检测方法，其特征在于，所述步骤2中对SAR_DATA进行数据增强，包括对其中的图像进行如下几种操作：翻转、RGB移动、标准化、模糊、缩放、随机设置亮度和对比度。4.根据权利要求1～3中任一项所述的SAR图像中舰船目标检测方法，其特征在于，所述步骤3中，轻量化SAR Mobilenet V3神经网络采用升级后的MobilenetV3
‑
small模型，MobilenetV3
‑
small模型升级方法即...

【专利技术属性】
技术研发人员：易文俊，张翔宇，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：