【技术实现步骤摘要】
一种联合量子随机数与深度学习SAR实例分割方法
[0001]本专利技术属于深度学习、图像处理和量子信息
,尤其涉及利用量子随机数进行数据增强,并且利用深度学习实现高效合成孔径雷达(Synthetic Aperture Radar, SAR)图像实例分割的
技术介绍
[0002]SAR作为一种主动式微波遥感技术,能够全天时、全天候的开展观测。目前在海洋环境监测与权益维护、灾害监测与评估、水资源评价管理、气象研究及其他多个领域得到了广泛应用。实例分割是在目标检测的基础上进一步细化,分离对象的前景与背景,实现像素级别的对象分离。图像实例分割在目标检测、人脸检测、表情识别、医学图像处理与疾病辅助诊断、视频监控与对象跟踪、零售场景的货架空缺识别等场景下均有应用。针对SAR图像目标检测和实例分割的
,近年来已有基于深度卷积神经网络的Faster R
‑
CNN、YOLO、Retina Net等算法应用于实际系统,详见文献:“钱坤,李晨瑄,陈美杉,郭继伟,潘磊.基于改进Swin Transformer的舰船目标实例分割算法[J].系统工程与电子技术:1
‑
12[2022
‑
07
‑
16]”。
[0003]但是现有算法普遍存在弊端:由于SAR图像需要利用遥感卫星、高空侦察飞机等高成本方式获取,因此训练模型所需样本图像在数量和规模上往往不能满足需求,同时图像背景较为单一,这是目前限制算法识别能力提升的一大瓶颈。虽然已有数据增强技术即对原 ...
【技术保护点】
【技术特征摘要】
1.一种联合量子随机数与深度学习SAR实例分割方法,其特征是它包括以下步骤:步骤1、构建初始SAR图像训练数据集和测试数据集;采用具有船舶和水平边界框注释的公开SAR舰船检测数据集SSDD数据集;将该SSDD数据集以时间顺序按照7:3的比例分为训练数据集和测试数据集两部分,然后将训练数据集和测试数据集中的图像和图像标注按照COCO格式进行格式转换,得到具有812张的SAR图像训练数据集记为Train,得到具有384张的SAR图像测试数据集记为Test;步骤2、利用量子随机数对初始SAR图像数据集进行增强;采用量子随机数生成方法生成一组量子随机数序列,记为N;采用传统数据集增强方法,利用量子随机数序列N对步骤1中得到的训练数据集Train和测试数据集Test进行数据增强操作,得到增强后的SAR图像训练数据集记为Train_Exp,得到增强后的SAR图像测试数据集记为Test_Exp;步骤3、利用深度残差网络对SAR图像主干特征进行提取;采用全连接层构建方法构建SAR图像主干特征提取的全连接层,记为FC;采用传统深度残差网络ResNet34构建方法构建SAR图像主干特征提取的残差网络,记为E;将步骤2获得的SAR图像训练数据集Train_Exp输入残差网络E进行主干特征提取,提取SAR图像的主干特征图,记为;然后计算残差网络E的损失函数,得到更新后的残差网络,记为;步骤4、获取SAR图像的目标矩形框特征图;步骤4.1:采用感兴趣区域构建方法对步骤3得到的SAR图像主干特征图进行感兴趣区域提取,获得感兴趣区域提取后的特征图,记为;步骤4.2:采用置信度筛选方法对步骤4.1获得的特征图进行置信度筛选,筛选后生成的建议框,记为f;将建议框f和步骤3获得的主干特征进行逐像素的相加和相乘操作,得到特征图记为;采用双线性插值法对特征图进行插值运算,获得含有目标矩形框的特征图,记为;步骤5、利用池化和全连接层检测网络对SAR图像进行目标检测步骤5.1:采用平均池化运算对步骤4获得的目标矩形框特征图进行池化运算,获得的包含有检测目标的区域特征图记为,获得具有原始掩膜的特征图记为;步骤5.2:采用目标检测方法对步骤5.1中得到的目标区域特征图进行SAR图像目标检测,获得平展开的目标区域特征图记为,获得上下文信息流记为F;步骤6、采用上下文信息流提取SAR图像特征图;步骤7、利用掩膜完成多目标的实例分割;步骤8、进行SAR图像实例分割训练;步骤8.1:将步骤2中得到的训练数据集Train_Exp的所有SAR图像作为输入,进行步骤3、步骤4、步骤5、步骤6、步骤7的操作,构建实例分割网络,得到的网络记为RoIENet网络;步骤8.2:采用损失函数计算方法对步骤8.1中获得的RoIENet网络计算得到初始融合损失函数,记为;
步骤8.3:采用模型训练方法对步骤8.2获得的RoIENet网络和步骤8.2获得的进行优化训练,当最小时获得的最终网络即为最优网络,记...
【专利技术属性】
技术研发人员:樊矾,张晓玲,韦顺军,师君,胥小我,
申请(专利权)人:电子科技大学,
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。