基于上下文多特征的SAR舰船目标检测方法及系统技术方案

本发明专利技术涉及基于上下文多特征的SAR舰船目标检测方法及系统，包括：步骤1.获取图像；步骤2.将所述图像输入至改进的YOLOv5网络模型，得到所述图像对应的检测结果；其中：改进的YOLOv5网络模型包括骨干网络、颈部网路、预测分类器和输出模块；骨干网络的第6层为通道注意力机制，骨干网络中采用MetaAconC激活函数；颈部网络中采用加权双向特征金字塔网络；在图像输入所述改进的YOLOv5网络模型后，由骨干网络进行特征信息的提取，输出特征图给颈部网路；并在颈部网络采用加权双向特征金字塔网络对特征进行多尺度融合处理；通过预测分类器预测出目标边界框、类别和置信度。本发明专利技术解决了现有检测效率低的问题。

【技术实现步骤摘要】

本专利技术涉及目标检测，具体涉及基于上下文多特征的sar舰船目标检测方法及系统。

技术介绍

1、合成孔径雷达能够对目标进行全天时、全天候的观测，是星载、机载等对海成像侦察与舰船目标探测的重要手段。sar成像海上目标检测时往往遭遇岛礁地杂波，其强度甚至大于舰船目标本身，基于恒虚警率的强度检测方法极易将地杂波误判为目标，形成大量虚警。舰船目标停留在岛岸和港口等地时，也因强杂波会造成检测阈值高于目标而时常造成目标漏检丢失。此外，在检测低信噪比小目标时，因其与海面散斑噪声强度相当，目标对比度低且边缘模糊，特征不明显，易受到噪声干扰造成漏检。

2、传统sar舰船目标检测方法主要有基于背景杂波统计和基于极化特征分解的目标检测方法，其中以基于背景杂波统计更为广泛应用。恒虚警率方法是基于背景杂波统计的目标检测方法，它是由局部海杂波幅度统计特性和恒定虚警概率规则，生成与背景杂波强度相适应的阈值来检测目标。然而，海况的复杂性会导致海杂波起伏多样化，统计模型的精度往往较低，缺乏灵活性。基于视觉显著性的方法则通过多个滤波器提取舰船目标特征，如强度值、形状和纹理等特征。本文档来自技高网...

【技术保护点】

1.一种基于上下文多特征的SAR舰船目标检测方法，包括以下步骤：

2.根据权利要求1所述的基于上下文多特征的SAR舰船目标检测方法，其特征在于：所述主干网络包括依次连接的第0层～第7层；其中：所述第0层为CBRM层；所述第1层、第2层、第3层、第4层、第5层和第7层均为Shuffle_Block层；所述第6层为SE层。

3.根据权利要求2所述的基于上下文多特征的SAR舰船目标检测方法，其特征在于：所述颈部网路包括依次连接的第8层～第21层，其中：所述第8层、第12层、第16层和第19层均为Conv层；所述第9层和第13层均为Upsample层；所述第10层、第14...

【技术特征摘要】

1.一种基于上下文多特征的sar舰船目标检测方法，包括以下步骤：

2.根据权利要求1所述的基于上下文多特征的sar舰船目标检测方法，其特征在于：所述主干网络包括依次连接的第0层～第7层；其中：所述第0层为cbrm层；所述第1层、第2层、第3层、第4层、第5层和第7层均为shuffle_block层；所述第6层为se层。

3.根据权利要求2所述的基于上下文多特征的sar舰船目标检测方法，其特征在于：所述颈部网路包括依次连接的第8层～第21层，其中：所述第8层、第12层、第16层和第19层均为conv层；所述第9层和第13层均为upsample层；所述第10层、第14层、第17层和第20层均为bifbn层；所述第11层、第15层、第18层和第21层均为c3层；

4.根据权利要求2所述的基于上下文多特征的sar舰船目标检测方法，其特征在于：所述shuffle_block层由channel split、第一分支、第二分支和channel shuffle构成，其中：第一分支不进行任何处理，...

【专利技术属性】
技术研发人员：李正周，杨雨昕，余智羽，钟盛荣，刘海毅，邹勇，罗浩伦，李傲燃，
申请(专利权)人：重庆大学，
类型：发明
国别省市：