一种基于感受野权重正则化的制造技术

本发明专利技术公开了一种基于感受野权重正则化的

【技术实现步骤摘要】
一种基于感受野权重正则化的SAR船舶检测方法


[0001]本专利技术涉及
SAR
目标检测
，具体涉及一种基于感受野权重正则化的
SAR
船舶检测方法
。

技术介绍

[0002]合成孔径雷达
(SAR)
技术是一种主动式微波遥感技术，利用脉冲压缩和合成孔径来提高雷达的距离和方位分辨率，获得全天
、
全天候的高分辨率
、
大面积
SAR
图像，
SAR
图像识别技术是人工图像判读中的关键技术之一，主要用于避免固有噪声的影响，获取感兴趣区域
(RoI)
内目标的潜在特征信息，为目标检测提供强大的数据支持，船舶是海上运输的重要载体，船舶检测是海上监视的重要组成部分，基于
SAR
图像的特点和船舶检测的重要性，针对
SAR
图像进行船舶目标检测的研究在军事侦察
、
海洋资源监测和海洋运输管理等领域受到了广泛的关注；
[0003]目标检测作为计算机视觉的研究方向之一，可以为图像和视频的语义理解提供有价值的信息，它的本质是对物体进行定位和分类，主要任务是准确有效地找出给定图像中所有感兴趣的物体，根据是否需要人工提取特征，目标检测算法可分为传统方法和基于深度学习的方法，传统的目标检测方法可分为三类：
1)
基于统计的目标检测；
2)
基于知识的目标检测；
3)
基于模型的目标检测，一般来说，这些传统方法包括三个步骤：区域选择
、
特征提取和分类，采用穷举策略完成区域选择部分，导致方法的时间复杂度较高，然后在特征提取方面，手工设计方法，如尺度不变特征变换
、
定向梯度直方图和加速鲁棒特征，然而，图像中物体形态的多样性
、
光照变化的多样性和背景的多样性会使提取的特征鲁棒性较差，因此，传统方法的识别效果和准确率都不高，同时，它们会花费很多时间；
[0004]随着深度学习理论的快速发展，基于深度学习的目标检测方法表现出比传统方法更好的性能，目前，基于深度学习的目标检测方法主要分为两类，第一种是两阶段检测方法，也称为基于区域的方法，其中
Fast
‑
RCNN
和
Faster
‑
RCNN
是具有代表性的方法，在这类方法中，首先通过骨干网络提取基本特征，然后根据预先设置的锚盒对其进行分割，得到感兴趣区域
(Regions of Interest,RoI)
，将
RoI
中的特征重构为固定大小，并通过分类和回归分支进行处理，最后，以处理后的特征为输入，进行非最大抑制
(NMS)
，得到检测结果，另一种是一阶段检测方法，网络直接预测潜在目标在多个特征图上的位置和分类标签，不需要对
RoI
进行重塑和调整，代表性的方法有
YOLO
和
SSD
，这些方法的结构比两阶段法简单，检测速度也比两阶段法快，随着目标检测框架的改进，一级检测器的检测精度也可与二级检测器相媲美，因此，越来越多的学者对一级检测器进行研究，并将一级检测器与两级检测器相结合，这些算法在船舶检测与识别领域得到了广泛的应用
。
[0005]现有技术存在以下不足：
[0006]虽然目标检测方法的性能已经有了很大的突破，但这些方法大多针对的是自然图像，没有考虑到
SAR
图像的固有特性，现有方法提取的船舶特征不够充分，导致船舶在
SAR
图像中的识别率较低，在近岸场景中，一些干扰表现出与目标相似的特征，增加了正确判断目
标的难度
。

技术实现思路

[0007]本专利技术的目的是提供一种基于感受野权重正则化的
SAR
船舶检测方法，首先，利用多感受野提取丰富的空间特征，并利用正则化权值减少不同特征之间的耦合；其次，提出的上下文增强模块可以结合周围物体的信息，增强船舶特征的表达能力，提高船舶特征的可辨识性，第三，使用不同分支分别执行分类和回归任务，避免了信息损失，基于
CIoU
的回归损失有利于获得更准确的预测框，以解决
技术介绍
中不足
。
[0008]为了实现上述目的，本专利技术提供如下技术方案：一种基于感受野权重正则化的
SAR
船舶检测方法，所述检测方法包括以下步骤：
[0009]S1
：基于多感受野提取空间特征，并通过正则化权值减少不同特征之间的耦合；
[0010]S2
：通过上下文增强模块结合周围物体的信息，增强船舶特征的表达能力；
[0011]S3
：基于
CIoU
的检测头分别执行分类和定位任务，利用提取的特征信息，通过
CIoU
损失函数指导回归分支的预测
。
[0012]在一个优选的实施方式中，步骤
S1
中，空间特征提取基于
RFWR
模块实现，
RFWR
模块包括五个分支：
[0013]第一个分支由两个1×1卷积滤波器组成，特征
F1
是该分支的输出；
[0014]第二个分支通过1×1滤波器和3×3滤波器进行卷积后得到
F2
；
[0015]第三个分支通过1×1滤波器和3×3滤波器进行卷积后得到，且第三个分支中的3×3滤波器为膨胀卷积滤波器，其膨胀率为3，输出
F3
；
[0016]第四个分支由1×1卷积滤波器和5×5膨胀卷积组成，膨胀率为5输出
F4
；
[0017]第五个分支为权重正则化，由全局平均池化层和
Softmax
层组成，通过引入
Softmax
来正则化权重，通过加权融合不同的空间特征，使融合的特征包括全局特征和不同的局部特征
。
[0018]在一个优选的实施方式中，所述上下文增强模块包括
CEM
模块，
CEM
模块用于提取上下文信息
。
[0019]在一个优选的实施方式中，所述
CEM
模块包括全局池化分支和两个并行卷积分支；
[0020]并行卷积分支用于聚合具有不同大小的多个接受字段的上下文信息，其中一个并行分支包含一个3×3卷积滤波器，另一个并行分支包含两个3×3卷积滤波器，通过
Concat
操作将不同分支的输出特征进行拼接；
[0021]全局池分支用于引入全局信息，全局上下文信息通过全局池化层捕获，由1×1卷积处理，获得全局池分支的最终输出，在并行卷积分支和全局池化分支之间连接最终输出值，并对连接的特征映射进行1×1卷积处理，得到与输入形状相同的最终输出
。
[0022]在一个优选的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于感受野权重正则化的
SAR
船舶检测方法，其特征在于：所述检测方法包括以下步骤：
S1
：基于多感受野提取空间特征，并通过正则化权值减少不同特征之间的耦合；
S2
：通过上下文增强模块结合周围物体的信息，增强船舶特征的表达能力；
S3
：基于
CIoU
的检测头分别执行分类和定位任务，利用提取的特征信息，通过
CIoU
损失函数指导回归分支的预测
。2.
根据权利要求1所述的一种基于感受野权重正则化的
SAR
船舶检测方法，其特征在于：步骤
S1
中，空间特征提取基于
RFWR
模块实现，
RFWR
模块包括五个分支：第一个分支由两个1×1卷积滤波器组成，特征
F1
是该分支的输出；第二个分支通过1×1滤波器和3×3滤波器进行卷积后得到
F2
；第三个分支通过1×1滤波器和3×3滤波器进行卷积后得到，且第三个分支中的3×3滤波器为膨胀卷积滤波器，其膨胀率为3，输出
F3
；第四个分支由1×1卷积滤波器和5×5膨胀卷积组成，膨胀率为5输出
F4
；第五个分支为权重正则化，由全局平均池化层和
Softmax
层组成，通过引入
Softmax
来正则化权重，通过加权融合不同的空间特征，使融合的特征包括全局特征和不同的局部特征
。3.
根据权利要求2所述的一种基于感受野权重正则化的
SAR
船舶检测方法，其特征在于：所述上下文增强模块包括
CEM
模块，
CEM
模块用于提取上下文信息
。4.
根据权利要求3所述的一种基于感受野权重正则化的
SAR
船舶检测方法，其特征在于：所述
CEM
模块包括全局池化分支和两个并行卷积分支；并行卷积分支用于聚合具有不同大小的多个接受字段的上下文信息，其中一个并行分支包含一个3×3卷积滤波器，另一个并行分支包含两个3×3卷积滤波器，通过
Concat
操作将不同分支的输出特征进行拼接；全局池分支用于引入全局信息，全局上下文信息通过全局池化层捕获，由1×1卷积处理，获得全局池分支的最终输出，在并行卷积分支和全局池化分支之间连接最终输出值，并对连接的特征映射进行1×1卷积处理，得到与输入形状相同的最终输出
。5.
根据权利要求4所述的一种基于感受野权重正则化的
SAR
船舶检测方法，其特征在于：所述
CEM
模块得到与输入形状相同的最终输出，计算公式为：
c1＝
Conv
3x3
(input)c2＝
Conv3×3(Conv3×3(input...

【专利技术属性】
技术研发人员：闵卫东，查铖，韩清，刘倩，项洪越，邓梓杨，
申请(专利权)人：南昌大学，
类型：发明
国别省市：