【技术实现步骤摘要】
本专利技术涉及雷达遥感图像应用，具体涉及一种基于sar目标检测器的图像检测方法。
技术介绍
1、合成孔径雷达(sar)是一种高分辨率成像雷达，具有不受光照和气候条件等限制实现全天时、全天候对地观测的特点。sar图像舰船检测在军事领域具有重要的研究价值，但由于sar图像本身复杂的成像机制，导致sar图像目标检测任务极具挑战性。
2、传统的基于结构、灰度特征和纹理特征的检测方法在面临复杂场景和目标多尺度等问题时，检测性能受到很大的影响。近些年来，基于深度学习sar目标检测器的优势越来越明显了，在许多开源sar图像中所表现出的检测性能明显优于传统方法所检测的结果。但是由于深度学习检测模型的深度和宽度比较大，优先考虑到了精度，却忽略了实时性和可移植性。因此有必要采取一定的方法在精度和速度之间找到一种良好的均衡，使sar目标检测器便于部署到边缘设备之中。
3、模型剪枝是压缩目标检测器的重要方式，通过移除非关键的冗余参数，来降低深度学习检测模型中计算量和参数量；目前的剪枝方法通常都存在着一个棘手的问题，便是算法实现和网络模型具有强绑定性，且目前对于目标检测器的剪枝方法通常是面向于backbone的剪枝，并未考虑到端到端目标检测器自动化剪枝的设计，使得在目标图像检测时难以在精度与速度之间找到均衡，导致无法保证对目标图像的检测精度。
技术实现思路
1、针对现有技术通常是面向于backbone的剪枝，并未考虑到端到端目标检测器自动化剪枝的设计，从而无法保证对目标图像的检测精度
2、一种基于sar目标检测器的图像检测方法，包括以下步骤：
3、采集待检测目标的图像数据；
4、将sar目标检测器的网络结构每一层拆分为输入层和输出层；根据输入层与输出层对应的关系，获取网络结构中各个层之间的依赖关系；其中当每层上一层的输出层和下一层的输入层对应同一个特征图，则为层间依赖关系；当sar目标检测器中基本模块的输入输出是耦合的，则为层内依赖关系；
5、根据层间依赖关系和层内依赖关系，建立依赖模型；
6、依据依赖模型，以相邻层之间依赖关系的递推方式将两两耦合的网络结构分成一组；
7、通过aprs方法来自动化搜索每一组网络结构的剪枝率，以此对同一组的网络结构相同的通道进行剪枝；
8、将待检测目标的图像数据输入至经过剪枝后的sar目标检测器中，获得检测图像。
9、进一步地，所述将sar目标检测器的网络结构每一层拆分为输入层和输出层，输入层记为输出层记为其中所述sar目标检测器共有l层网络结构，则该网络结构的输入层记为输出层记为
10、进一步地，所述层间依赖关系表示为所述层内依赖关系表示为则所述依赖模型表示为：
11、
12、其中d∈r2l×2l表示二进制依赖图，i∈{1,2,...,l}，j∈{1,2,...,l}，1是一个返回条件为true的指示器函数，∨表示“or”操作，∧表示“and”操作，表示了层间依赖关系，表示了层内依赖关系。
13、进一步地，所述sar目标检测器中基本模块耦合的输入输出具有相同的剪枝布局。
14、进一步地，所述依据依赖模型，以相邻层之间依赖关系的递推方式将两两耦合的网络结构分成一组，其所述递推方式表示为当相邻层a和b之间存在依赖关系，且相邻层b和c之间存在依赖关系，则a和c之间之间同样存在依赖关系。
15、进一步地，所述aprs为剪枝率自动化搜索算法；其计算步骤具体包括：
16、首先随机初始化包含np个粒子的种群；
17、假设目标检测器共有d组网络结构，则每一个粒子设置为d维的向量；
18、xi＝(xi1,xi2,...,xid)
19、其中i∈{1,2,...,np}，然后将种群随机分成p组子种群，每个子种群包含n个粒子，则每一个粒子表示为：
20、xij＝(xij1,xij2,...,xijd)
21、其中i∈{1,2,...,p}，j∈{1,2,...,n}；
22、假设目标函数为f(x)＝lfpbl，对所有子种群中的粒子求出其目标函数值：
23、fi＝(fi1,fi2,...,fin)
24、其中i∈{1,2,...,p}，fij＝f(xij)；
25、然后根据所求出的目标函数值，找出所有目标函数值中最优目标函数值以及所对应的粒子x_global_best:
26、f_global_best＝min(fij)
27、f_global_best＝f(x_global_best)
28、其中i∈{1,2,...,p}，j∈{1,2,...,n}；并且找出所有子种群的局部最优函数值：
29、f_local_best＝(f1,f2,...,fp)
30、其中fi＝min(fi1,fi2,...,fin)；并且根据每个子种群的局部最优函数值找到其所对应的粒子：
31、x_local_best＝(x1,x2,...,xp)
32、其中fi＝f(xi)。
33、进一步地，还包括所述aprs算法在每一次迭代过程中，对于第i子种群中第j粒子xij通过跟踪最优目标函数值f_global_best所对应的粒子x_global_best和自身所在子种群的局部最优函数值fi所对应的粒子xi来进行更新，其表示为：
34、vij＝w×vij+c1r1(xi-xij)+c2r2(x_global_best-xij)
35、xij＝xij+vij
36、其中，vij代表更新速度，w为惯性权重，代表继承先前速度的能力，w越大，其全局搜索能力越强；反之，则其局部搜索能力越强；c1,c2为学习因子，r1,r2是[0,1]范围内的随机数。
37、进一步地，还包括采用多目标优化损失函数lfpbl作为所述aprs的目标函数，通过aprs算法最终找到一组剪枝率使得最优的lfpbl函数值能够满足限制条件。
38、进一步地，所述多目标优化损失函数lfpbl表示为：
39、lfpbl＝loss+λ1logeflops+λ2logeparams
40、其中，flops和params分别是目标检测器图像检测的计算量和参数量，λ1和λ2分别是计算量和参数量的平衡因子，λ1logeflops和λ2logeparams分别保证目标检测器图像检测的计算量和参数量限制在一定范围内，loss是二元交叉熵损失函数bceloss。...
【技术保护点】
1.一种基于SAR目标检测器的图像检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于SAR目标检测器的图像检测方法，其特征在于，所述将SAR目标检测器的网络结构每一层拆分为输入层和输出层，输入层记为输出层记为其中所述SAR目标检测器共有l层网络结构，则该网络结构的输入层记为输出层记为
3.根据权利要求2所述的一种基于SAR目标检测器的图像检测方法，其特征在于，所述层间依赖关系表示为所述层内依赖关系表示为则所述依赖模型表示为：
4.根据权利要求1所述的一种基于SAR目标检测器的图像检测方法，其特征在于，所述SAR目标检测器中基本模块耦合的输入输出具有相同的剪枝布局。
5.根据权利要求1所述的一种基于SAR目标检测器的图像检测方法，其特征在于，所述依据依赖模型，以相邻层之间依赖关系的递推方式将两两耦合的网络结构分成一组，其所述递推方式表示为当相邻层A和B之间存在依赖关系，且相邻层B和C之间存在依赖关系，则A和C之间之间同样存在依赖关系。
6.根据权利要求1所述的一种基于SAR目标检测器的图像检测方法，其特
7.根据权利要求6所述的一种基于SAR目标检测器的图像检测方法，其特征在于，还包括所述APRS算法在每一次迭代过程中，对于第i子种群中第j粒子xij通过跟踪最优目标函数值F_GLOBAL_BEST所对应的粒子X_GLOBAL_BEST和自身所在子种群的局部最优函数值Fi所对应的粒子Xi来进行更新，其表示为：
8.根据权利要求1所述的一种基于SAR目标检测器的图像检测方法，其特征在于，还包括采用多目标优化损失函数LFPBL作为所述APRS的目标函数，通过APRS算法确定一组剪枝率使得最优的LFPBL函数值能够满足限制条件。
9.根据权利要求8所述的一种基于SAR目标检测器的图像检测方法，其特征在于，所述多目标优化损失函数LFPBL表示为：
10.根据权利要求9所述的一种基于SAR目标检测器的图像检测方法，其特征在于，所述Loss是二元交叉熵损失函数BCELoss表示为：
...【技术特征摘要】
1.一种基于sar目标检测器的图像检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于sar目标检测器的图像检测方法，其特征在于，所述将sar目标检测器的网络结构每一层拆分为输入层和输出层，输入层记为输出层记为其中所述sar目标检测器共有l层网络结构，则该网络结构的输入层记为输出层记为
3.根据权利要求2所述的一种基于sar目标检测器的图像检测方法，其特征在于，所述层间依赖关系表示为所述层内依赖关系表示为则所述依赖模型表示为：
4.根据权利要求1所述的一种基于sar目标检测器的图像检测方法，其特征在于，所述sar目标检测器中基本模块耦合的输入输出具有相同的剪枝布局。
5.根据权利要求1所述的一种基于sar目标检测器的图像检测方法，其特征在于，所述依据依赖模型，以相邻层之间依赖关系的递推方式将两两耦合的网络结构分成一组，其所述递推方式表示为当相邻层a和b之间存在依赖关系，且相邻层b和c之间存在依赖关系，则a和c之间之间同样存在依赖关系。
6.根据权利要求1...
【专利技术属性】
技术研发人员：陈杰，于敬仟，万辉耀，周正，曹宜策，黄志祥，李迎松，邬伯才，姚佰栋，
申请(专利权)人：安徽大学，
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。