【技术实现步骤摘要】
本申请涉及sar图像检测，特别是涉及一种基于异源图像的sar图像目标检测方法及装置。
技术介绍
1、合成孔径雷达(synthetic aperture radar,sar)是遥感领域不可或缺的重要监测工具，它是一种具有高空间分辨率成像观测能力的主动式微波遥感成像系统，它能够全天时全天候的对陆地海洋进行监测，并且不受日照和天气条件的限制，因此在遥感应用领域中有着重要的应用意义。与常见的可见光图像明显不同的是，sar图像能够表现出地物和目标的微波特性，其图像成像效果不仅受到长度、入射角、极化方式等多种因素的限制，而且还与目标的内部结构、排列、材质等特征有着密切的关系。
2、然而，在小样本条件下的sar图像目标检测场景中，测量精度和适用条件有限，无法满足复杂电磁环境或变化气象条件下雷达和光学不确定的检测的需求。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够高效且精准的对分辨率遥感影像进行目标检测的基于异源图像的sar图像目标检测方法、装置、设备和介质。
2、一种基于异源图像的sar图像目标检测方法，所述方法包括：
3、获取关于同一类目标的源域数据集以及目标域数据集，所述源域数据集以及目标域数据均包括多张样本图像；
4、根据所述源域数据集以及目标域数据集划分为多个训练数据集，各所述训练数据集中均包括所述源域数据集中部分的源域样本图像，以及所述目标域数据中的全部目标域样本图像；
5、计算各所述训练数据集中样本图像的
6、利用筛选后的多个训练数据集以及目标域数据集对双流分支特征对齐提取网络进行训练，其中，在所述双流分支特征对齐提取网络中，利用权重共享的混合域特征提取网络以及目标域特征提取网络分别对所述筛选后的训练数据集以及目标域数据集中的样本图像分别进行特征提取，得到对应的混合图像特征以及目标域图像特征，利用特征对齐网络对所述混合图像特征以及目标域图像特征进行特征对齐，得到对齐特征，由检测头基于所述对齐特征对目标域样本图像中的目标进行检测；
7、根据目标检测总损失函数对所述双流分支特征对齐提取网络中的可调参数进行优化，直至收敛，得到训练好的双流分支特征对齐提取网络，其中，所述目标检测总损失函数包括分布距离损失函数，所述分布距离损失函数根据训练数据集中目标域样本图像特征分布与源域样本图像特征分布之间的距离计算得到；
8、提取所述训练好的双流分支特征对齐提取网络中的目标域特征提取网络、特征对齐网络以及检测头，构建得到sar图像目标检测网络，将待检测sar图像输入至所述sar图像目标检测网络中，对所述待检测sar图像中的目标进行检测。
9、在其中一实施例中，所述源域数据集中的样本图像为光学图像，所述目标域数据集中的样本图像为sar图像。
10、在其中一实施例中，所述计算各所述训练数据集中样本图像的特征分布，根据目标域样本图像特征分布与源域样本图像特征分布之间的距离对所述训练数据集中的源域样本图像进行筛选包括：
11、采用特征提取网络提取所述训练数据集中样本图像的特征，并计算各所述样本图像的特征分布；
12、计算所述训练数据集中多张目标域样本图像的目标域平均特征分布，计算所述训练数据集中各张源域样本图像的特征分布分别与所述目标域平均特征分布之间的分布距离；
13、基于计算得到的分布距离以及筛选策略，将所述训练数据集中特征分布远离所述目标域平均特征分布的源域样本图像进行筛除。
14、在其中一实施例中，计算所述训练数据集中各张源域样本图像的特征分布分别与所述目标域平均特征分布之间的距离采用的分布距离度量函数，表示为：
15、
16、在上式中，x、x'分别表示源域样本图像的特征分布以及目标域平均特征分布，nt表示目标域sar图像样本数量。
17、在其中一实施例中，所述筛选策略表示为：
18、
19、在上式中，表示筛选后的训练数据集，分别表示筛选后的训练数据集中的样本图像和对应的目标真值标签，表示根据分布距离对样本图像进行递增排序，表示感知增强策略生成新的数据，φopt表示新的优化函数，na、nb以及k分别表示筛选前的样本数量、筛选后的样本数量、收缩率。
20、在其中一实施例中，所述目标检测总损失函数包括分布距离损失函数、目标域的目标置信度损失函数以及边界框损失函数，源域的目标置信度损失函数以及边界框损失函数；
21、并且，分别对目标置信度损失函数以及边界框损失函数设置有权重。
22、在其中一实施例中，所述sar图像检测方法应用于目标为舰船的sar图像目标检测任务中。
23、申请提供了还一种基于异源图像的sar图像目标检测装置，所述装置包括：
24、数据集获取模块，用于获取关于同一类目标的源域数据集以及目标域数据集，所述源域数据集以及目标域数据均包括多张样本图像；
25、训练数据集构建模块，用于根据所述源域数据集以及目标域数据集划分为多个训练数据集，各所述训练数据集中均包括所述源域数据集中部分的源域样本图像，以及所述目标域数据中的全部目标域样本图像；
26、训练数据集优化模块，用于计算各所述训练数据集中样本图像的特征分布，根据目标域样本图像特征分布与源域样本图像特征分布之间的距离对所述训练数据集中的源域样本图像进行筛选，得到筛选后的训练数据集；
27、神经网络训练模块，用于利用筛选后的多个训练数据集以及目标域数据集对双流分支特征对齐提取网络进行训练，其中，在所述双流分支特征对齐提取网络中，利用权重共享的混合域特征提取网络以及目标域特征提取网络分别对所述筛选后的训练数据集以及目标域数据集中的样本图像分别进行特征提取，得到对应的混合图像特征以及目标域图像特征，利用特征对齐网络对所述混合图像特征以及目标域图像特征进行特征对齐，得到对齐特征，由检测头基于所述对齐特征对目标域样本图像中的目标进行检测；
28、训练好的神经网络得到模块，用于根据目标检测总损失函数对所述双流分支特征对齐提取网络中的可调参数进行优化，直至收敛，得到训练好的双流分支特征对齐提取网络，其中，所述目标检测总损失函数包括分布距离损失函数，所述分布距离损失函数根据训练数据集中目标域样本图像特征分布与源域样本图像特征分布之间的距离计算得到；
29、sar图像目标检测模块，用于提取所述训练好的双流分支特征对齐提取网络中的目标域特征提取网络以及检测头，构建得到sar图像目标检测网络，将待检测sar图像输入至所述sar图像目标检测网络中，对所述待检测sar图像中的目标进行检测。
30、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下本文档来自技高网...
【技术保护点】
1.一种基于异源图像的SAR图像目标检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的SAR图像目标检测方法，其特征在于，所述源域数据集中的样本图像为光学图像，所述目标域数据集中的样本图像为SAR图像。
3.根据权利要求2所述的SAR图像目标检测方法，其特征在于，所述计算各所述训练数据集中样本图像的特征分布，根据目标域样本图像特征分布与源域样本图像特征分布之间的距离对所述训练数据集中的源域样本图像进行筛选包括：
4.根据权利要求3所述的SAR图像目标检测方法，其特征在于，计算所述训练数据集中各张源域样本图像的特征分布分别与所述目标域平均特征分布之间的距离采用的分布距离度量函数，表示为：
5.根据权利要求4所述的SAR图像目标检测方法，其特征在于，所述筛选策略表示为：
6.根据权利要求5所述的SAR图像目标检测方法，其特征在于，所述目标检测总损失函数包括分布距离损失函数、目标域的目标置信度损失函数以及边界框损失函数，源域的目标置信度损失函数以及边界框损失函数；
7.根据权利要求1-6所述的SAR图像
8.一种基于异源图像的SAR图像目标检测装置，其特征在于，所述装置包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于异源图像的sar图像目标检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的sar图像目标检测方法，其特征在于，所述源域数据集中的样本图像为光学图像，所述目标域数据集中的样本图像为sar图像。
3.根据权利要求2所述的sar图像目标检测方法，其特征在于，所述计算各所述训练数据集中样本图像的特征分布，根据目标域样本图像特征分布与源域样本图像特征分布之间的距离对所述训练数据集中的源域样本图像进行筛选包括：
4.根据权利要求3所述的sar图像目标检测方法，其特征在于，计算所述训练数据集中各张源域样本图像的特征分布分别与所述目标域平均特征分布之间的距离采用的分布距离度量函数，表示为：
5.根据权利要求4所述的sar图像目标检测方法，其特征在于，所述筛选策略表示为：
<...【专利技术属性】
技术研发人员：计科峰，周正，赵凌君，唐涛，冷祥光，孙浩，
申请(专利权)人：中国人民解放军国防科技大学，
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。