一种基于频域特征融合的舰船检测方法、装置和存储介质制造方法及图纸

本申请提供一种基于频域特征融合的舰船检测方法、装置和存储介质，属于雷达检测的技术领域。所述方法包括将获取到的当前的遥感图像输入基于单阶段目标检测方法构建的船舰检测模型，根据所述当前的遥感图像，通过所述船舰检测模型中预先构建频域特征提取模块，生成所述当前的遥感图像对应的频域特征；根据所述当前的遥感图像，通过所述船舰检测模型中预先构建空间域特征提取模块，生成所述当前的遥感图像对应的空间域特征；所述船舰检测模型根据所述频域特征与所述空间域特征，生成融合后的特征；所述船舰检测模型根据所述融合后的特征，生成所述当前的遥感图像对应的检测结果。本申请旨在提供既可以提高精度又具有实时性的船舰检测方法。的船舰检测方法。的船舰检测方法。

【技术实现步骤摘要】
一种基于频域特征融合的舰船检测方法、装置和存储介质


[0001]本申请实施例涉及雷达检测的
，具体而言，涉及一种基于频域特征融合的舰船检测方法、装置和存储介质。

技术介绍

[0002]与光学卫星、多光谱卫星相比，合成孔径雷达(Synthetic Aperture Radar，SAR)卫星可以适应多变的海洋气候，实现全天候的舰船检测，SAR图像舰船检测在早期主要有恒虚警率检测算法、基于极化特性检测算法、基于几何特征检测算法三种；然而，恒虚警率算法依赖于准确的统计模型，往往难以实现；基于极化特性的方法易受到海杂波噪声的影响，导致方法性能下降；基于几何特征检测算法依赖于专家的经验来建立模板库，在噪声较大时容易出现误匹配，且计算成本较高，迁移能力较差。
[0003]近年来，随着人工智能的兴起以及遥感图像质量的提升，基于深度学习的SAR图像舰船检测取得了巨大的成功，其中基于深度学习的SAR图像舰船检测可以分为两类。一类是二阶段检测方法，另一类是单阶段检测方法；但是二阶段检测方法由于需要对大量的候选区域分别处理，因此检测速度较慢，实时检测效率较低；而单阶段检测方法主要基于遥感图像的空间域特征，但是遥感图像的空间域上往往存在海杂波的影响，会出现对船舰特征提取能力不足的现象，导致检测结果的精度较低。因此在船舰检测中，亟需既可以提高精度又具有实时性的检测方法。

技术实现思路

[0004]本申请实施例提供一种基于频域特征融合的舰船检测方法、装置和存储介质，旨在提供既可以提高精度又具有实时性的检测方法。/>[0005]第一方面，本申请实施例提供一种基于频域特征融合的舰船检测方法，所述方法包括：
[0006]将获取到的当前的遥感图像输入船舰检测模型，其中所述船舰检测模型基于单阶段目标检测方法构建的；
[0007]根据所述当前的遥感图像，通过所述船舰检测模型中预先构建频域特征提取模块，生成所述当前的遥感图像对应的频域特征；
[0008]根据所述当前的遥感图像，通过所述船舰检测模型中预先构建空间域特征提取模块，生成所述当前的遥感图像对应的空间域特征；
[0009]所述船舰检测模型根据所述频域特征与所述空间域特征，生成融合后的特征；
[0010]所述船舰检测模型根据所述融合后的特征，生成所述当前的遥感图像对应的检测结果。
[0011]可选地，根据所述当前的遥感图像，通过所述船舰检测模型中预先构建频域特征提取模块，生成所述当前的遥感图像对应的频域特征，包括：
[0012]通过所述船舰检测模型中预先构建频域特征提取模块，提取所述当前的遥感图像
中的多级频域特征。
[0013]可选地，根据所述当前的遥感图像，通过所述船舰检测模型中预先构建空间域特征提取模块，生成所述当前的遥感图像对应的空间域特征，包括：
[0014]通过所述船舰检测模型中预先构建空间域特征提取模块，逐级提取所述当前的遥感图像在空间域特征；
[0015]从所述当前的遥感图像的高层向低层的方向，融合所述当前的遥感图像在相邻级别的空间域特征，以加强每级特征的语义信息。
[0016]可选地，所述船舰检测模型根据所述频域特征与所述空间域特征，生成融合后的特征，包括：
[0017]通过PAN方式，按照从低层到高层的顺序，对多级频域特征与多级空间域特征逐层进行拼接，生成多级融合后的特征。
[0018]可选地，预先构建所述频域特征提取模块的过程包括：
[0019]构建预处理层，其中，所述预处理层包括对所述当前的遥感图像进行二维傅里叶变换、批归一化处理以及进行激活函数的计算；
[0020]构建多级卷积运算模块，其中，所述多级卷积运算模块的通道维数依次增大。
[0021]可选地，预先构建空间域特征提取模块，包括：
[0022]构建CSPNet结构，其中，所述CSPNet结构用于按通道维数从低到高的顺序，依次生成所述当前的遥感图像的多级空间域的语义特征；
[0023]构建FPN结构，其中，所述FPN结构按高层到低层的顺序，逐级融合相邻级别的空间域的语义特征，得到语义信息分布均匀的多级空间域特征。
[0024]可选地，所述方法还包括：
[0025]在构建所述频域特征提取模块、构建所述空间域特征提取模块以及应用PAN方式的任一过程中，加入优化模块，其中，所述优化模块用于对卷积运算结果进行优化以减少内存消耗。
[0026]可选地，所述方法还包括：
[0027]根据遥感图像数据的域差异，在迁移学习的过程中，对所述频域特征提取模块进行微调，以使所述船舰检测模型适应存在域差异的遥感图像数据。
[0028]第二方面，本申请实施例提供一种基于频域特征融合的舰船检测装置，所述装置包括：
[0029]输入模块，用于将获取到的当前的遥感图像输入船舰检测模型，其中所述船舰检测模型基于单阶段目标检测方法构建的；
[0030]频域特征生成模块，用于根据所述当前的遥感图像，通过所述船舰检测模型中预先构建频域特征提取模块，生成所述当前的遥感图像对应的频域特征；
[0031]空间域特征生成模块，用于根据所述当前的遥感图像，通过所述船舰检测模型中预先构建空间域特征提取模块，生成所述当前的遥感图像对应的空间域特征；
[0032]融合模块，用于所述船舰检测模型根据所述频域特征与所述空间域特征，生成融合后的特征；
[0033]检测结果生成模块，用于所述船舰检测模型根据所述融合后的特征，生成所述当前的遥感图像对应的检测结果。
[0034]第三方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现实施例第一方面所述的基于频域特征融合的舰船检测方法。
[0035]有益效果：
[0036]相比于现有的模型，本实施例提供的船舰检测模型以单阶段检测方法为基础，在保证检测速度的前提下，然后通过在当前的遥感图像分别提取频域特征和空间域特征后，再对频域特征和空间域特征进行融合，根据融合后的特征进一步确定当前的遥感图像对应的检测结果，船舰检测模型基于更加丰富的特征生成的检测结果的精度更高，从而既可以提高精度又具有实时性的效果。
附图说明
[0037]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0038]图1是本申请一实施例提出的基于频域特征融合的舰船检测方法的步骤流程图；
[0039]图2是本申请一实施例提出的频域特征提取模块的结构示意图；
[0040]图3是本申请一实施例提供的频域特征提取模块中优化模块的结构示意图；
[0041]图4是本申请一实施例提出的瓶颈单元的结构示意图；
[0042]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于频域特征融合的舰船检测方法，其特征在于，所述方法包括：将获取到的当前的遥感图像输入船舰检测模型，其中所述船舰检测模型基于单阶段目标检测方法构建的；根据所述当前的遥感图像，通过所述船舰检测模型中预先构建频域特征提取模块，生成所述当前的遥感图像对应的频域特征；根据所述当前的遥感图像，通过所述船舰检测模型中预先构建空间域特征提取模块，生成所述当前的遥感图像对应的空间域特征；所述船舰检测模型根据所述频域特征与所述空间域特征，生成融合后的特征；所述船舰检测模型根据所述融合后的特征，生成所述当前的遥感图像对应的检测结果。2.根据权利要求1所述的方法，其特征在于，根据所述当前的遥感图像，通过所述船舰检测模型中预先构建频域特征提取模块，生成所述当前的遥感图像对应的频域特征，包括：通过所述船舰检测模型中预先构建频域特征提取模块，提取所述当前的遥感图像中的多级频域特征。3.根据权利要求2所述的方法，其特征在于，根据所述当前的遥感图像，通过所述船舰检测模型中预先构建空间域特征提取模块，生成所述当前的遥感图像对应的空间域特征，包括：通过所述船舰检测模型中预先构建空间域特征提取模块，逐级提取所述当前的遥感图像在空间域特征；从所述当前的遥感图像的高层向低层的方向，融合所述当前的遥感图像在相邻级别的空间域特征，以加强每级特征的语义信息。4.根据权利要求3所述的方法，其特征在于，所述船舰检测模型根据所述频域特征与所述空间域特征，生成融合后的特征，包括：通过PAN方式，按照从低层到高层的顺序，对多级频域特征与多级空间域特征逐层进行拼接，生成多级融合后的特征。5.根据权利要求1所述的方法，其特征在于，预先构建所述频域特征提取模块的过程包括：构建预处理层，其中，所述预处理层包括对所述当前的遥感图像进行二维傅里叶变换、批归一化处理以及进行激活函数的计算；构建多级卷积运算模块，其中，所述多级卷积运算模块的通道维数...

【专利技术属性】
技术研发人员：刘瑜，张霖平，王学谦，姜智卓，李刚，秦川，何友，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：