System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术主要涉及合成孔径雷达图像目标检测,具体涉及一种基于fdsa-centernet的sar图像船舰目标检测方法、装置及存储介质。
技术介绍
1、合成孔径雷达(synthetic aperture radar,sar)是一种主动式微波成像传感器,具有全天候、全天时、成像面积大、作用距离远及穿透能力强等独特优势,被广泛应用于民用及军事领域。随着sar系统和高分辨率成像技术的不断发展,sar智能解译技术逐渐受到越来越多研究人员的关注,sar舰船目标检测成为当前研究热点,在海域实时检测中发挥着重要作用。因此,研究sar舰船目标检测算法,实现重点目标的精确检测识别,具有重要的研究价值与意义。
2、传统的sar舰船目标检测方法主要依赖于统计图像像素分析,如恒定虚警率算法、小波分解、陆海分割等,但这些方法依赖于人工设计特征,需要大量先验知识,具有易受复杂背景干扰,场景适应性较差,普遍检测精度不高,且实时性较差等缺陷,难以满足舰船检测的基本要求。随着sar成像质量的提升,大量sar图像可用于海上舰船检测,因此数据驱动的深度学习方法在sar图像目标检测领域具有了强大的发展潜力,实现了知识驱动到数据驱动的研究范式转变。相较于传统方法,深度学习方法抗干扰能力更强、复杂场景泛化性能优异、检测精度更高。但现有的基于深度学习的研究方法存在着一些弊端:由于sar图像复杂背景、强散射杂波干扰,舰船目标密集等问题,sar图像舰船目标检测难度较大,影响特征提取网络的表达能力,导致深度学习目标检测算法检测率低,虚警率高;同时由于sar图像尺度跨度较
技术实现思路
1、本专利技术所要解决的技术问题是针对现有技术的不足,提供一种基于fdsa-centernet的sar图像船舰目标检测方法、装置及存储介质。
2、本专利技术解决上述技术问题的技术方案如下:一种基于fdsa-centernet的sar图像船舰目标检测方法,包括如下步骤:
3、基于centernet网络构建初始fdsa-centernet网络;其中,所述centernet网络包括主干网络、上采样模块和head检测头,将所述centernet网络中的主干网络替换为fasternet主干网络,并将所述centernet网络中的上采样模块替换为dsafpn多尺度特征融合模块,且所述fasternet主干网络与所述dsafpn多尺度特征融合模块连接,所述dsafpn多尺度特征融合模块与所述head检测头连接;
4、将预构建的sar舰船图像数据集导入所述初始fdsa-centernet网络中进行模型训练,得到训练后fdsa-centernet网络;
5、将待检测sar舰船图像导入所述训练后fdsa-centernet网络的fasternet主干网络中进行多尺度特征提取,并将提取到的舰船特征图输入所述训练后fdsa-centernet网络的dsafpn多尺度特征融合模块中进行多尺度特征融合,将融合后的多尺度特征输入所述head检测头中进行预测处理,通过所述head检测头输出船舰目标预测结果。
6、进一步,所述fasternet主干网络包括四个阶段的fasternet块以及一个嵌入层、三个合并层和一个全局输出模块;
7、所述嵌入层与第一阶段的fasternet块的输入连接,第一阶段的fasternet块的输出与第一合并层的输入连接,第一合并层的输出与第二阶段的fasternet块的输入连接,第二阶段的fasternet块的输出与第二合并层的输入连接,第二合并层的输出与第三阶段的fasternet块的输入连接,第三阶段的fasternet块的输出与第三合并层的输入连接,第三合并层的输出与第四阶段的fasternet块的输入连接,第四阶段的fasternet块的输出与所述全局输出模块的输入连接,所述全局输出模块的输出与所述dsafpn多尺度特征融合模块连接。
8、本专利技术解决上述技术问题的另一技术方案如下:一种基于fdsa-centernet的sar图像船舰目标检测装置,包括:
9、模型构建模块,用于基于centernet网络构建初始fdsa-centernet网络;其中,所述centernet网络包括主干网络、上采样模块和head检测头,将所述centernet网络中的主干网络替换为fasternet主干网络,并将所述centernet网络中的上采样模块替换为dsafpn多尺度特征融合模块,且所述fasternet主干网络与所述dsafpn多尺度特征融合模块连接,所述dsafpn多尺度特征融合模块与所述head检测头连接;
10、模型训练模块,用于将预构建的sar舰船图像数据集导入所述初始fdsa-centernet网络中进行模型训练,得到训练后fdsa-centernet网络;
11、船舰目标预测模块,用于将待检测sar舰船图像导入所述训练后fdsa-centernet网络的fasternet主干网络中进行多尺度特征提取,并将提取到的舰船特征图输入所述训练后fdsa-centernet网络的dsafpn多尺度特征融合模块中进行多尺度特征融合,将融合后的多尺度特征输入所述head检测头中进行预测处理,通过所述head检测头输出船舰目标预测结果。
12、本专利技术解决上述技术问题的另一技术方案如下:一种基于fdsa-centernet的sar图像船舰目标检测装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,当所述处理器执行所述计算机程序时,实现如上所述的基于fdsa-centernet的sar图像船舰目标检测方法。
13、本专利技术解决上述技术问题的另一技术方案如下:一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的基于fdsa-centernet的sar图像船舰目标检测方法。
14、本专利技术的有益效果是:第一,本专利技术使用更加高效快速的特征提取网络fasternet,通过减少冗余计算和频繁内存访问,降低了模型参数量和计算量,在保持轻量级和高速度的基础上,提高了特征表达能力和感受野的覆盖范围,一定程度上提升了模型精度,实现了先进的速度和精度权衡;
15、第二,本专利技术通过构建dsafpn多尺度特征融合模块结构来提高模型多尺度特征的表达能力,增强了多层级不同尺寸特征图之间的信息交互,强化了不同尺寸目标检测时所需要的特征信息,提升了感知舰船目标形态结构特性的能力,有效提升了模型的检测性能,尤其是小目标的检测精度。
本文档来自技高网...【技术保护点】
1.一种基于FDSA-CenterNet的SAR图像船舰目标检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的SAR图像船舰目标检测方法,其特征在于,所述FasterNet主干网络包括四个阶段的FasterNet块以及全局池化层一个嵌入层、三个合并层和一个全局输出模块;
3.根据权利要求2所述的SAR图像船舰目标检测方法,其特征在于,将待检测SAR舰船图像导入所述训练后FDSA-CenterNet网络的FasterNet主干网络中进行多尺度特征提取,具体为:
4.根据权利要求3所述的SAR图像船舰目标检测方法,其特征在于,将提取到的舰船特征图输入所述训练后FDSA-CenterNet网络的DSAFPN多尺度特征融合模块中进行多尺度特征融合,具体为:
5.根据权利要求4所述的SAR图像船舰目标检测方法,其特征在于,在多尺度特征融合前,还包括步骤:
6.根据权利要求1至5任一项所述的SAR图像船舰目标检测方法,其特征在于,所述预构建的SAR舰船图像数据集包括SSDD数据集和HRSID数据集,其中,所述SSDD数据
7.一种基于FDSA-CenterNet的SAR图像船舰目标检测装置,其特征在于,包括:
8.根据权利要求7所述的SAR图像船舰目标检测装置,其特征在于,所述FasterNet主干网络包括四个阶段的FasterNet块以及一个嵌入层、三个合并层和一个全局输出模块;
9.一种基于FDSA-CenterNet的SAR图像船舰目标检测装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,当所述处理器执行所述计算机程序时,实现如权利要求1至6任一项所述的基于FDSA-CenterNet的SAR图像船舰目标检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,当所述计算机程序被处理器执行时,实现如权利要求1至6任一项所述的基于FDSA-CenterNet的SAR图像船舰目标检测方法。
...【技术特征摘要】
1.一种基于fdsa-centernet的sar图像船舰目标检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的sar图像船舰目标检测方法,其特征在于,所述fasternet主干网络包括四个阶段的fasternet块以及全局池化层一个嵌入层、三个合并层和一个全局输出模块;
3.根据权利要求2所述的sar图像船舰目标检测方法,其特征在于,将待检测sar舰船图像导入所述训练后fdsa-centernet网络的fasternet主干网络中进行多尺度特征提取,具体为:
4.根据权利要求3所述的sar图像船舰目标检测方法,其特征在于,将提取到的舰船特征图输入所述训练后fdsa-centernet网络的dsafpn多尺度特征融合模块中进行多尺度特征融合,具体为:
5.根据权利要求4所述的sar图像船舰目标检测方法,其特征在于,在多尺度特征融合前,还包括步骤:
6.根据权利要求1至5任一项所述的sar图像船舰目标检测方法,其特征在于,所述预构建的sar舰船图像数据集包括ssdd数据集和hrsi...
【专利技术属性】
技术研发人员:邵剑波,王若晖,余建波,张慧智,许淑芳,
申请(专利权)人:平湖空间感知实验室科技有限公司,
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。