一种基于辅助生成网络的海上目标无监督学习检测方法技术

本发明专利技术公开了一种基于辅助生成网络的海上目标无监督学习检测方法，步骤包括：采集包含海上目标的真实图像，构建用于生成随机的伪检测框编码的伪检测框生成模块，构建图像生成模块，其根据所输入的伪检测框编码得到对应的仿真图像；构建目标检测判别模块；对目标检测判别模块进行训练；将待检测图像输入到目标检测判别模块中，其目标检测分支输出的预测检测框坐标信息即为目标检测结果。本发明专利技术所生成仿真图像与真实图像分布一致，逼真程度较高，且在训练过程中约束了伪检测框与仿真图像的强对应关系，因此所训练目标检测分支也能够完成对真实图像的目标检测任务，从而实现了无监督学习下的目标检测，减少人工标注成本。

【技术实现步骤摘要】

本专利技术属于目标检测，具体涉及一种海上目标检测方法。

技术介绍

1、随着海洋活动的日益频繁，海上目标监测需求不断增长。然而，部分目标由于数量稀少、采集困难，导致海上目标检测面临样本不足、标注成本高等问题，严重制约了该领域的发展和应用。特别是某些特殊类型的海上目标，获取足够多的训练样本尤为困难，限制了有监督学习模型的训练和性能。

2、无监督学习目标检测技术因其无需标注数据的特性，正逐渐成为研究热点，能够显著降低标注成本，并提升模型对新场景的适应性和灵活性。

3、在目标检测领域，论文cutler（cut and learn for unsupervised objectdetection and instance segmentation）提出了利用自监督模型自动发现图像中的目标，并将其作为真值训练检测和分割模型，整个过程无需人工标注的方案。该方法通过多次self-training进一步提升模型性能。但其主要针对自然图像的垂直框检测，与sar图像的斜框检测存在显著差异。

4、部分研究聚焦于sar图像质量增强以提高检测效果。本文档来自技高网...

【技术保护点】

1.一种基于辅助生成网络的海上目标无监督学习检测方法，其特征在于，步骤包括：

2.如权利要求1所述的基于辅助生成网络的海上目标无监督学习检测方法，其特征在于：所述伪检测框编码是指包含一个以上伪检测框坐标信息的编码向量；

3.如权利要求2所述的基于辅助生成网络的海上目标无监督学习检测方法，其特征在于：所有编码向量中伪检测框坐标信息的数量分布情况是按目标数据集中目标数量的分布情况设置的。

4.如权利要求2所述的基于辅助生成网络的海上目标无监督学习检测方法，其特征在于：所述伪检测框坐标信息包括5个位置信息，表示为：(x,y,h,w,θ)；其中，x为检测框左上...

【技术特征摘要】

1.一种基于辅助生成网络的海上目标无监督学习检测方法，其特征在于，步骤包括：

2.如权利要求1所述的基于辅助生成网络的海上目标无监督学习检测方法，其特征在于：所述伪检测框编码是指包含一个以上伪检测框坐标信息的编码向量；

3.如权利要求2所述的基于辅助生成网络的海上目标无监督学习检测方法，其特征在于：所有编码向量中伪检测框坐标信息的数量分布情况是按目标数据集中目标数量的分布情况设置的。

4.如权利要求2所述的基于辅助生成网络的海上目标无监督学习检测方法，其特征在于：所述伪检测框坐标信息包括5个位置信息，表示为：(x,y,h,w,θ)；其中，x为检测框左上角的横坐标值，y为检测框左上角的横坐标值，h为检测框长度，w为检测框宽度，θ为检测框的倾斜角度。

5.如权利要求4所述的基于辅助生成网络的海上目标无监督学习检测方法，其特征在于，伪检测框坐标信息通过以下方式随机生成：x、y为大于0且小于图像尺寸的随机值；θ为大于等于0且小于180°的随机值；h为服从高斯分布的随机值：w是根据已生成的h和随机生成的长宽比计算得到的：。

6.如权利要求5所述的基于辅助生成...

【专利技术属性】
技术研发人员：徐从安，高龙，郝延彪，吴俊峰，赵静，周伟，李湉雨，郑晓梅，王小飞，张翔宇，吕友彬，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：