【技术实现步骤摘要】
一种船舶检测方法
，
装置及电子设备
[0001]本专利技术涉及船舶检测
，具体为一种船舶检测方法，装置及电子设备
。
技术介绍
[0002]海洋运输的发展主要依靠舰船，海上国防安全很大程度上依赖军事舰船，由于舰船种类繁多，形状各异，大小不一，且海洋环境的复杂，易受天晴影响，舰船在航行过程中容易出现触礁，侧翻等意外情况，给我国海洋安全环境建设带来了很大的压力，遥感数据集有其分辨率高，轮廓清晰，几何特征明显的优势，常作为舰船目标检测数据集
。
[0003]传统的方法通过构建卷积模板提取图像的
HOG
特征
、S IFT
特征等信息，并结合
SVM
为代表的分类器实现对目标分类识别，构建目标候选区域，并提取各波段
S IFT
特征，运用
SVM
对舰船目标进行检测分类，提升了识别率
。
但是基于传统的舰船目标检测方法严重依赖传统特征，存在多角度目标和聚集小目标的检测的准确率低，精度低的问题
【技术保护点】
【技术特征摘要】
1.
一种船舶检测方法，其特征在于，包括以下步骤：构建多尺度特征提取网络，并使用标注数据和未标注数据对其进行训练，定制损失函数以提高多尺度特征提取网络的泛化能力；对遥感图像进行数据处理和增强，并将不同传感器获取的数据与遥感图像数据进行融合得到融合数据；使用多尺度特征提取网络对融合数据进行特征提取，获得多角度和聚集小目标的检测结果，获取聚集小目标的中心位置
。2.
根据权利要求1所述的一种船舶检测方法，其特征在于，所述多尺度特征提取网络包括输入层
、
卷积和池化层
、
残差块
、
多尺度特征提取
、
全局平均池化层和输出层，其使用标注数据和未标注数据进行训练如下：将标注数据和未标注数据混合输入到多尺度特征提取网络的输入层；卷积和池化层提取低级别特征图；提取到的低级别特征图传递到残差块，使用卷积操作
、
批归一化和激活函数对低级别特征图进行处理；多尺度特征提取使用不同大小的卷积核来获取多尺度信息；全局平均池化层对获取的多尺度信息中的每个通道的值取平均值，产生全局特征向量；输出层将产生的全局特征向量输出
。3.
根据权利要求2所述的一种船舶检测方法，其特征在于：在使用标注数据和未标注数据进行训练之前，将标注数据和未标注数据加载到训练集中，对训练集进行预处理，包括归一化和数据增强，在多尺度特征提取网络中，添加半监督学习组件，将多尺度特征提取网络与半监督学习方法相结合，构建联合训练的框架
。4.
根据权利要求3所述的一种船舶检测方法，其特征在于：训练过程中对于标注数据，计算分类损失和定位损失，对于未标注数据，通过半监督学习方法生成伪标签，然后计算伪标签和实际标签之间的损失，随机梯度下降，调整多尺度特征提取网络参数以减少损失
。5.
根据权利要求2所述的一种船舶检测方法，其特征在于，所述得到融合数据的具体过程如下：从遥感数据源中加载原始图像数据，对原始图像数据进行预处理后进行增强，扩充数据集；将数据集中的图像调整到相同的尺寸或对不同分辨率的图像进行多尺度处理；使用特征级融合方法对不同传感器获取的数据进行融合，融合后进...
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。