【技术实现步骤摘要】
本专利技术涉及雷达目标检测，尤其涉及一种基于高效聚合特征增强网络的sar船舰检测方法。
技术介绍
1、在实际sar(synthetic aperture radar,合成孔径雷达)图像成像过程中，sar图像背景大多为港口、岛礁、其他建筑，这些背景因为具有很高的灰度特性，有较强的混淆性，所以对于海上船舰目标检测，还要考虑多种复杂背景以及船舰的各种不规则排列和相似目标误检等不确定因素，为sar船舰检测带来了巨大的挑战与困难。随着深度学习的快速发展与成熟，深度学习已经广泛应用于目标检测当中，基于深度学习的卷积神经网络已经成为合成孔径雷达目标检测算法的重要技术。如谭显东在yolov5的基础上对主干引入了坐标注意力机制，以及对网络引入bifpn，来提升模型对船舰的特征提取能力但检测效果，如赵鹏飞等人通过在浅层卷积层中融入eca注意力起到丰富语义信息的作用，可以增强小目标的准确率。但是效果仍有提升空间。
2、sar图像是一种具有微波反射和散射性质的图像，与可见光图像不同，sar图像的特点是具有很强的几何失真，图像中不同目标的形状和大小差异较大，而且由于背景的复杂性，经常导致检测过程中的误检率高，检测效果差等问题，因此如何有效地提取合成孔径雷达中船舰特征成为合成孔径雷达目标检测的关键问题。
技术实现思路
1、专利技术目的：本专利技术的目的是提供一种基于高效聚合特征增强网络的sar船舰检测方法，能提高检测的准确率以及各种场景下的适应效果。
2、技术方案：本专利技术的sar船
3、s1，获取sar图像数据集，对sar图像数据集进行预处理后按照设定的比例划分为训练集、验证集和测试集；
4、s2，搭建sar船舰检测网络，所述sar船舰检测网络包括依次连接的主干网络、neck网络、探测头部分，其中主干网络和neck网络协同处理特征图；
5、s3，将训练集和验证集输入sar船舰检测网络中训练，计算ciou损失函数并进行反向传播，更新网络参数，获取最佳参数模型；
6、s4，将测试集输入到训练好的最佳参数模型中，输出sar图像的精确识别图。
7、进一步，步骤s1中，将sar图像数据集中的图片作统一尺寸处理，并将处理后的数据按6:2:2划分为训练集、验证集、测试集。
8、进一步，所述主干网络由4个cbs模块和4个el-cb模块以及3个mp模块组成；
9、cbs模块主要由卷积层，归一化以及silu激活函数构成，其中第一个cbs模块以及第四个cbs模块卷积核大小均为3，步长为1，第二个cbs模块以及第四个cbs模块卷积核大小为3，步长为2；
10、el-cb模块是由两个卷积核大小为1的cbs模块，四个卷积核大小为3的cbs模块，以及cbam注意力模块组成的残差结构；
11、mp模块由最大池化层以及两个卷积核大小为1的cbs模块和卷积核大小为3的cbs模块组成的并行结构，并进行concat操作。
12、进一步，所述el-cb模块中，主支路的第一个cbs卷积核大小为1、第二至第五个cbs模块的卷积核大小为3，分路的cbs模块卷积核大小为1，再将第一个、第二个以及第四个cbs模块的输出构建成多残差结构与cbam注意力模块的输出进行融合；
13、所述cbam注意力模块主要由通道注意力模块和空间注意力模块组成；通道注意力模块是由自适应最大池化层和自适应平均池化层以及mlp组成；
14、所述自适应最大池化层自动处理输入特征图的大小，并将其池化为一个固定大小的特征图；
15、mlp通过堆叠多个全连接层来实现对每个通道进行学习的特征映射，每个全连接层都使用非线性激活函数；
16、空间注意力模块由卷积核大小为7的最大池化层和卷积核大小为7的平均池化层串联组成，通过卷积操作得到相应特征图。
17、进一步，所述neck网络由1个sppcspc模块、3个mp模块、3次上采样操作、6次concat操作、1个cbs模块以及4个inception next模块组成；
18、其中，主干网络每一层的el-cb模块的输出特征图，经过2个卷积核大小为1的cbs模块调整相应的通道数，再逐层输入neck网络进行高维度以及低维度的特征融合；
19、所述sppcspc模块是由5个卷积核大小为1的cbs模块、2个卷积核大小为3的cbs模块和3个核大小分别为5、9、12的最大池化层组成，通过采用池化金字塔，获得不同尺度的特征图；所述inception next模块采用四支并行结构，首先对大核进行分解，然后进行concat操作，norm以及mlp，再与原始的输入进行concat操作形成残差结构，最后经过cbs模块增强特征提取。
20、进一步，步骤s2中，当原始特征经过主干网络以及neck网络处理之后，输出的特征图输入到探测头部分进行预测；
21、所述探测头部分包括三个不同尺寸的探测头，分别与neck网络的三个输出端的输出特征图相对应；
22、所述三个探测头分别由repconv以及head构成，repconv由卷积以及归一化组成的分支结构，在训练时，是以三分支结构使用：第一条分支是由卷积核大小为1的cbs模块以及归一化组成，第二条分支是由卷积核大小为1的cbs模块以及归一化组成，第三条分支由归一化组成，将三条分支的输出相加再输出；
23、所述三个探测头分别输出尺寸为20×20×255、40×40×255、80×80×255的特征图。
24、本专利技术与现有技术相比，其显著效果如下：
25、1、本专利技术以多残差级联层以及注意力机制协同构建的el-cb模块作为主干网络的特征提取模块，增强了模型对于输入端特征的捕捉能力，在neck网络使用了inceptionnext模块，利用独特的四分支结构，有效处理大量的波长敏感信息；
26、2、采用全局特征增强金字塔结构，增强了金字塔的特征融合能力，使模型适应性更强，在提升合成孔径雷达船舰检测精度、改善误检漏检等方面具有显著优势，能有效应对合成孔径雷达船舰检测中存在的问题，并提供高精度的检测方法。
本文档来自技高网...【技术保护点】
1.一种基于聚合特征增强网络的SAR船舰检测方法，其特征在于，包括步骤如下：
2.根据权利要求1所述基于聚合特征增强网络的SAR船舰检测方法，其特征在于，步骤S1中，将SAR图像数据集中的图片作统一尺寸处理，并将处理后的数据按6:2:2划分为训练集、验证集、测试集。
3.根据权利要求1所述基于聚合特征增强网络的SAR船舰检测方法，其特征在于，所述主干网络由4个CBS模块和4个EL-CB模块以及3个MP模块组成；
4.根据权利要求3所述基于聚合特征增强网络的SAR船舰检测方法，其特征在于，所述EL-CB模块中，主支路的第一个CBS卷积核大小为1、第二至第五个CBS模块的卷积核大小为3，分路的CBS模块卷积核大小为1，再将第一个、第二个以及第四个CBS模块的输出构建成多残差结构与CBAM注意力模块的输出进行融合；
5.根据权利要求3所述基于聚合特征增强网络的SAR船舰检测方法，其特征在于，所述Neck网络由1个SPPCSPC模块、3个MP模块、3次上采样操作、6次Concat操作、1个CBS模块以及4个Inception NeXt模块组
6.根据权利要求1所述基于聚合特征增强网络的SAR船舰检测方法，其特征在于，步骤S2中，当原始特征经过主干网络以及Neck网络处理之后，输出的特征图输入到探测头部分进行预测；
...【技术特征摘要】
1.一种基于聚合特征增强网络的sar船舰检测方法，其特征在于，包括步骤如下：
2.根据权利要求1所述基于聚合特征增强网络的sar船舰检测方法，其特征在于，步骤s1中，将sar图像数据集中的图片作统一尺寸处理，并将处理后的数据按6:2:2划分为训练集、验证集、测试集。
3.根据权利要求1所述基于聚合特征增强网络的sar船舰检测方法，其特征在于，所述主干网络由4个cbs模块和4个el-cb模块以及3个mp模块组成；
4.根据权利要求3所述基于聚合特征增强网络的sar船舰检测方法，其特征在于，所述el-cb模块中，主支路的第一个cbs卷积核大小为1、第二至第...
【专利技术属性】
技术研发人员：刘文星，单慧琳，陈昕，王兴涛，马陈悦，张雁晧，李长帅，
申请(专利权)人：无锡学院，
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。