CN113378716A - 一种基于自监督条件的深度学习sar影像舰船识别方法 - Google Patents
一种基于自监督条件的深度学习sar影像舰船识别方法 Download PDFInfo
- Publication number
- CN113378716A CN113378716A CN202110652684.3A CN202110652684A CN113378716A CN 113378716 A CN113378716 A CN 113378716A CN 202110652684 A CN202110652684 A CN 202110652684A CN 113378716 A CN113378716 A CN 113378716A
- Authority
- CN
- China
- Prior art keywords
- image
- ship
- model
- images
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000001186 cumulative effect Effects 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 14
- 230000003321 amplification Effects 0.000 claims description 10
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000013604 expression vector Substances 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000003416 augmentation Effects 0.000 claims description 3
- 238000013434 data augmentation Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 abstract description 4
- 238000002372 labelling Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于自监督条件下的深度学习SAR影像舰船识别方法。首先对SAR数据进行预处理，利用累计逆指数概率分布获取图像像素阈值，并利用阈值进行快速分割得到二值化图像，然后对二值化图像进行八邻域连通处理，获取候选目标的几何信息，根据候选目标的几何信息构建SAR舰船切片数据集，最后建立CNN网络模型，并对其进行训练、调优后用于舰船目标的自监督识别。本发明基于自监督思想的CNN模型，识别过程仅需要标注少量训练样本，极大减少了样本标注时间，提高了舰船检测效率；主干模型采用轻量模型Shufflenet网络，模型参数较少，能够以较少的训练时间获取较高的训练精度，收敛速度快，精度高。
Description
技术领域
本发明属于SAR图像舰船目标检测领域，特别是涉及一种基于自监督条件 的深度学习SAR影像舰船识别方法。
背景技术
近些年，随着海洋贸易的空前繁荣，海洋运输发展迅猛，对世界海洋安全的 压力越来越大，发生海洋事故和相关的环境破坏的可能性也越大，因此舰船监测 管理对海上交通管理、环境保护、军事安全具有重要意义。
遥感技术是通过星载、机载平台向地表发射电磁波来获取地球空间表面信息。 近年来随着遥感技术的快速发展，全天候、高分辨率的星载合成孔径雷达 (SyntheticAperture Radar，SAR)遥感受到广泛关注。SAR图像不受天气和光 照的影响，能穿透云层和雾，可实现对地表的全天时大范围监测，特别适用于对 海洋舰船目标进行监测。
深度学习近些年被广泛应用于目标识别、图像分割、图像分类，其优异的精 度表现受到广泛关注。虽然深度学习方法可以通过卷积网络自主进行学习，挖掘 有用特征，但是深度学习往往以数据为驱动，需要标注大量的训练样本为支撑， 耗费大量人力物力。
CFAR算法是最早应用到舰船检测领域的算法，其设计简单，操作方便，被 广泛应用于雷达影像舰船目标检测。但是CFAR舰船检测算法存在诸多缺陷： 第一，CFAR算法需要设置目标窗口、保护窗口及背景窗口，大大增加了计算量； 第二，随着SAR影像分辨率的提高，SAR图像的杂波背景、准确建模、检测精 度难以满足要求；第三，SAR目标的灰度值在一定范围内起伏，造成检测结果 出现不完整，甚至断裂的情况；第四，由于CFAR根据单个像素的强度值来判 断是否是目标像素，而SAR影像固有的相干斑噪声容易造成检测结果出现大量 虚警。
近些年随着深度学习技术的发展，各种深度学习目标检测网络如Faster RCNN、SSD、YOLO、RetinaNet被广泛应用于图像目标检测领域，且精度表现 非常优异。雷达领域专家也根据SAR影像特点，对深度学习目标检测网络进行 了改进，开发了基于SAR影像的深度学习目标检测网络。这些算法虽然包含了 对深度学习目标检测网络参数的调优、网络优化等，但仍然是以数据为驱动，需 要在训练前标注大量的数据。SAR数据不同于光学数据，样本的高精度标注需 要丰富的专业领域知识，因此需要耗费大量的物力和脑力，无法实现雷达目标的 快速识别。
因此，对深度学习网络进行研究，利用深度学习自主学习特征、抽取高低维 特征的优势，开发一种仅标注少量样本类别，通过深度学习网络自主进行类别判 断与聚类，为雷达影像目标识别提供自监督条件下(仅需标注少量样本)的舰船 目标识别的方法尤为重要。
发明内容
本发明针对现有技术的不足，提供一种基于自监督条件的深度学习SAR影 像舰船识别方法，首先对SAR数据进行预处理，利用累计逆指数概率分布获取 图像阈值，并利用阈值进行快速分割得到二值化图像，然后对二值化图像进行八 邻域连通处理获取候选目标的几何信息，根据几何信息构建SAR舰船切片数据 集，然后建立CNN网络模型，对构建的数据集进行无监督训练，最后再对模型 进行少量样本的监督训练，以此完成自监督训练。与以往需要大量数据驱动的 CNN网络模型不同，经过无监督训练之后的模型，仅需要标注1％的样本即可获 取较高的精度，满足舰船目标的识别要求。
为了达到上述目的，本发明提供的技术方案是一种基于自监督条件下的深度 学习SAR影像舰船识别方法，包括以下步骤：
步骤1，构建SAR舰船切片数据集；
步骤1.1，SAR数据预处理；
步骤1.2，图像分割及二值化；
步骤1.3，获取SAR舰船和虚警切片数据；
步骤1.3.1，将步骤1.2获取的二值化图像进行八邻域连通处理；
步骤1.3.2，以面积作为不同尺度目标的临界条件，获取包含舰船和虚警的 切片数据；
步骤2，构建CNN网络模型，所述CNN网络模型包括轻量模型Shufflenet 网络和一系列非线性Dense-＞Relu-＞Dense层，并进行CNN网络模型训练；
步骤2.1，每个批次随机从步骤1构建的数据集中采集N个图像(不区分类 别)，对随机采集的图像做缩放、色彩变换、高斯随机噪声等策略的两次数据增 广处理，得到2N个图像；
步骤2.2，使用轻量模型Shufflenet网络作为基础神经网络编码器，从步骤 2.1经过增广处理的2N个图像数据中提取两个1024维的特征表示向量hi和hj；
步骤2.3，为了便于计算输入数据经过网络编码器的相似性和损失，对步骤 2.2提取的两个特征表示向量hi和hj进行一系列非线性Dense-＞Relu-＞Dense层 变换应用，得到非线性变换后的特征向量zi和zj；
步骤2.4，利用步骤2.3得到的特征向量计算经过CNN网络模型前向传播后 的损失，然后对CNN网络模型进行后向传播，更新梯度；
步骤2.4.1，计算数据增广后两个图像的相似度；
步骤2.4.2，使用归一化温度-尺度交叉熵损失计算一对图像的损失，取每批 次损失的平均值对模型进行梯度更新；
步骤3，CNN网络模型调优及舰船识别；
步骤3.1，使用Adam Optimizer优化算法对模型进行500epochs无监督训练， 学习率设置为0.001，权重衰减设置为0.00001，每次参与训练的batch size设置 为128；
步骤3.2，经过步骤3.1无监督训练后，对无标签的数据集仅标注1％的样本 进行监督训练，然后在轻量模型Shufflenet网络编码器后连接线性分类器进行微 调训练；
步骤3.3，CNN网络模型训练完成后，可获取该模型的训练权重参数，然后 利用训练权重参数对经过预处理的SAR数据集进行舰船目标的精确识别。
而且，所述步骤11中是先将获取的Sentinel-1雷达数据进行辐射定标、滤 波、地理编码、灰度化等预处理，然后将预处理得到的灰度化数据处理成若干个 尺寸为1000×1000，重叠度为50％的子影像数据，以便快速获取切片舰船数据， 最后对子影像进行岛礁滤波处理，以减少陆地目标、小岛、礁石、其它人工构造 物产生的虚警。
而且，所述步骤1.2是利用累计逆指数概率分布获取子图像的像素阈值，然 后利用阈值对子图像进行快速分割，获取二值化图像，子图像像素阈值的计算方 式如下：
x＝F-1(p|u)＝-u×ln(1-p) (1)
式中，x为预处理后的子图像的像素阈值，u为预处理后子图像的像素均值， p为像素值在[0，x]范围内的概率值，取值为0.999。
而且，所述步骤1.3.1是将二值化图像进行八邻域连通处理，剔除面积小于 10的目标，保留其它目标，保留的目标属性信息中包含目标所在图像的位置几 何信息，包括各个目标信息的左上角位置
右下角位置
质心坐标 (cxi，cyj)、长hi、宽wi以及面积areai。
而且，所述步骤1.3.2是分别以面积322、642、962作为不同尺度目标的临界 条件，获取包含舰船和虚警的切片数据。对于面积areai∈[0，322]，以目标的质心 (cxicyj)为中心，16为半径获取候选目标；对于面积areai∈(322，642]，以目标的质 心(cxicyj)为中心，32为半径获取候选目标；对于面积areai∈(962，512]，以目标的 质心(cxi，cyj)为中心，max(hi，wi)/2为半径获取候选目标。切片数据中，舰船目标 包含了各种尺寸及散射强度的船，虚警目标包含了形式各异的陆地目标、鬼影目 标、礁石、人工构造物等。
而且，所述步骤2.4.1是利用余弦相似度计算经过增广强处理的两个图像xi和xj之间的相似度，计算方式如下：
式中，τ是可调参数，通过τ的取值可将相似度的取值范围控制在[-1，1]；zi、 zj分别为图像xi、xj经过非线性变换的特征向量，||zi||和||zj||是矢量zi和zj的模。
使用上述公式可以计算每个批次增广图像之间的两两余弦相似度，一般情况 下，增广后的舰船的图像之间的相似度会很高，而舰船和虚警目标图像之间的相 似度会较低。
而且，所述步骤2.4.2是使用归一化温度-尺度交叉熵损失函数计算一对图像 的损失
计算完每个批次经过增广处理的两两图像之间损失后，取损失平均 值
对模型进行梯度更新，如下式所示：
式中，当k≠i时，I[k≠i]为1，否则为0；每个批次有2N个图像，计算两两图 像之间的损失共得到2N个损失，取2N个损失代价值的平均值对模型进行梯度 更新。
与现有技术相比，本发明具有如下优点：(1)本发明提出的模型是基于自 监督思想的CNN模型，仅需要标注少量训练样本，极大减少了样本标注时间， 提高了舰船检测效率；(2)本发明对CNN自监督框架进行了改进，主干模型 采用轻量模型Shufflenet网络，模型参数较少，能够以较少的训练时间获取较高 的训练精度，收敛速度快，精度高；(3)本发明提出的模型适用于近海不同海 况条件、不同场景下的SAR图像中的舰船目标识别。
附图说明
图1为本发明实施例的流程图。
图2本发明实施例5×5窗口岛礁背景抑制模板示意图。
图3为本发明实施例不同场景预处理结果，图3(a)是纯海洋场景的预处 理结果，图3(b)是岛礁海洋场景的预处理结果，图3(c)是近岸海洋场景的 预处理结果。
图4为本发明实施例舰船和虚警切片结果。
图5为本发明实施例构建的CNN网络模型。
具体实施方式
本发明提供一种基于自监督条件的深度学习SAR影像舰船识别方法，首先 对SAR数据进行预处理，利用累计逆指数概率分布获取图像像素阈值，并利用 阈值进行快速分割得到二值化图像，然后对二值化图像进行八邻域连通处理，获 取候选目标的几何信息，根据候选目标的几何信息构建SAR舰船切片数据集， 建立CNN网络模型，并对其进行训练、调优后用于舰船目标的自监督识别。下 面结合附图和实施例对本发明的技术方案作进一步说明。
如图1所示，本发明实施例的流程包括以下步骤：
步骤1，构建SAR舰船切片数据集。
步骤1.1，SAR数据预处理。
首先将获取的Sentinel-1雷达数据进行辐射定标、滤波、地理编码、灰度化 等预处理，然后将预处理得到的灰度化数据处理成若干个尺寸为1000×1000， 重叠度为50％的子影像数据，以便快速获取切片舰船数据，最后对子影像进行岛 礁滤波处理，以减少陆地目标、小岛、礁石、其它人工构造物产生的虚警。本发 明在子影像的岛礁背景滤波处理中，将其窗口设置为33，效果较好，时间也最 优，滤波示意图如图2所示。
步骤1.2，图像分割及二值化。
经过步骤11预处理后的SAR数据的概率分布呈现指数分布，利用累计逆 指数概率分布获取子图像的像素阈值，然后利用阈值对子图像进行快速分割，获 取二值化图像，子图像像素阈值的计算方式如下：
x＝F-1(p|u)＝-u×ln(1-p) (1)
其中，x为预处理后的子图像的像素阈值，u为预处理后子图像的像素均值， p为像素值在[0，x]范围内的概率值，取值为0.999。
步骤1.3，获取SAR舰船和虚警切片数据。
步骤1.3.1，将步骤1.2获取的二值化图像进行八邻域连通处理。
由于步骤1.2中获取的二值化图像包含舰船目标和强散射虚警目标，为了得 到切片数据，将二值化图像进行八邻域连通处理，剔除面积小于10的目标，保 留其它目标，如图3所示。保留的目标属性信息中包含目标所在图像的位置几何 信息，包括各个目标信息的左上角位置
右下角位置
质心坐标 (cxi，cyi)、长hi、宽wi以及面积areai。
步骤1.3.2，以面积作为不同尺度目标的临界条件，获取包含舰船和虚警的 切片数据。
分别以面积322、642、962作为不同尺度目标的临界条件，获取包含舰船和 虚警的切片数据。对于面积areai∈[0，322]，以目标的质心(cxi，cyi)为中心，16为半 径获取候选目标；对于面积areai∈(322，642]，以目标的质心(cxi，cyi)为中心，32为 半径获取候选目标；对于面积areai∈(962，512]，以目标的质心(cxi，cyi)为中心， max(hi，wi)/2为半径获取候选目标，如图4所示。切片数据中，舰船目标包含了 各种尺寸及散射强度的船，虚警目标包含了形式各异的陆地目标、鬼影目标、礁 石、人工构造物等。通过步骤1.1-1.3预处理方式获取Sentinel雷达数据VH极化 的切片数量如表1所示。
表1舰船和虚警数量和类型
步骤2，构建CNN网络模型，所述CNN网络模型包括轻量模型Shufflenet 网络和一系列非线性Dense-＞Relu-＞Dense层，并进行CNN网络模型训练。
步骤2.1，每个批次随机从步骤1构建的数据集中采集N个图像(不区分类 别)，对随机采集的图像做缩放、色彩变换、高斯随机噪声等策略的两次数据增 广处理，得到2N个图像。同一张影像、不同数据增广处理的结果相近，并互斥 其他结果。
步骤2.2，使用轻量模型Shufflenet网络作为基础神经网络编码器，从步骤 2.1经过增广处理的2N个图像中提取两个1024维的特征表示向量hi和hj。
步骤2.3，为了便于计算输入数据经过网络编码器的相似性和损失，对步骤 2.2提取的两个特征表示向量hi和hj进行一系列非线性Dense-＞Relu-＞Dense层 变换应用，得到非线性变换后的特征向量zi和zj。
步骤2.4，利用步骤2.3得到的特征向量计算经过CNN网络模型前向传播后 的损失，然后对CNN网络模型进行后向传播，更新梯度。
步骤2.4.1，计算增广后两个图像的相似度。
用余弦相似度计算经过增广处理的两个图像xi和xj之间的相似度，计算方式 如下：
式中，τ是可调参数，通过τ的取值可将相似度的取值范围控制在[-1，1]；zi、 zj分别为图像xi、xj经过非线性变换的特征向量，||zi||和||zj||是矢量zi和zj的模。
使用上述公式可以计算每个批次增广图像之间的两两余弦相似度，一般情况 下，增广后的舰船的图像之间的相似度会很高，而舰船和虚警目标图像之间的相 似度会较低。
步骤2.4.2，使用归一化温度-尺度交叉熵损失计算一对图像的损失，取每批 次损失的平均值对模型进行梯度更新。
使用归一化温度-尺度交叉熵损失函数(the normalized temperature-scaledcross entropy loss，NT-Xent)计算一对图像的损失
计算完每个批次经过增广 处理的两两图像之间损失后，取损失平均值
对模型进行梯度更新，如下式所示：
式中，当k≠i时，I[k≠i]为1，否则为0；每个批次有2N个图像，计算两两图 像之间的损失共得到2N个损失，取2N个损失代价值的平均值对模型进行梯度 更新。
步骤3，CNN网络模型调优及舰船识别；
步骤3.1，使用Adam Optimizer优化算法对模型进行500epochs无监督训练， 学习率设置为0.001，权重衰减设置为0.00001，每次参与训练的batch size设置 为128；
步骤3.2，经过步骤3.1无监督训练后，对无标签的数据集仅标注1％的样本 进行监督训练，然后在轻量模型Shufflenet网络编码器后连接线性分类器进行微 调训练；
步骤3.3，CNN网络模型训练完成后，可获取该模型的训练权重参数，然后 利用训练权重参数对经过预处理的SAR数据集进行舰船目标的精确识别。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技 术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用 类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的 范围。
Claims (10)
1.一种基于自监督条件的深度学习SAR影像舰船识别方法，其特征在于，包括如下步骤：
步骤1，构建SAR舰船切片数据集；
步骤2，构建CNN网络模型，所述CNN网络模型包括轻量模型Shufflenet网络和一系列非线性Dense->Relu->Dense层，并进行CNN网络模型训练；
步骤2.1，每个批次随机从步骤1构建的数据集中采集N个图像，对随机采集的图像进行两次数据增广处理，得到2N个图像；
步骤2.2，使用轻量模型Shufflenet网络作为基础神经网络编码器，从步骤2.1经过增广处理的2N个图像中提取两个特征表示向量hi和hj；
步骤2.3，为了便于计算输入数据经过网络编码器的相似性和损失，对步骤2.2提取的两个特征表示向量hi和hj进行一系列非线性Dense->Relu->Dense层变换应用，得到非线性变换后的特征向量zi和zj；
步骤2.4，利用步骤2.3得到的特征向量计算经过CNN网络模型前向传播后的损失，然后对CNN网络模型进行后向传播，更新梯度；
步骤2.4.1，计算数据增广后两两图像之间的相似度；
步骤2.4.2，使用归一化温度-尺度交叉熵损失计算一对图像的损失，取每批次损失的平均值对模型进行梯度更新；
步骤3，CNN网络模型调优及舰船识别；
步骤3.1，使用优化算法对CNN网络模型进行无监督训练；
步骤3.2，经过步骤3.1无监督训练后，对无标签的数据集仅标注p％的样本进行监督训练，然后在轻量模型Shufflenet网络后连接线性分类器进行微调训练；
步骤3.3，CNN网络模型训练完成后，可获取该模型的训练权重参数，然后利用训练权重参数对经过预处理的SAR数据集进行舰船目标的精确识别。
2.如权利要求1所述的一种基于自监督条件的深度学习SAR影像舰船识别方法，其特征在于：所述步骤1包括以下几个子步骤：
步骤1.1，SAR数据预处理；
步骤1.2，图像分割及二值化；
步骤1.3，获取SAR舰船和虚警切片数据；
步骤1.3.1，将步骤1.2获取的二值化图像进行八邻域连通处理；
步骤1.3.2，以面积作为不同尺度目标的临界条件，获取包含舰船和虚警的切片数据。
3.如权利要求2所述的一种基于自监督条件的深度学习SAR影像舰船识别方法，其特征在于：所述步骤1.1中是先将获取的Sentinel-1雷达数据进行辐射定标、滤波、地理编码、灰度化预处理，然后将预处理得到的灰度化数据处理成若干个尺寸为1000×1000，重叠度为50％的子影像数据，以便快速获取切片舰船数据，最后对子影像进行岛礁滤波处理，以减少陆地目标、小岛、礁石、其它人工构造物产生的虚警。
4.如权利要求2所述的一种基于自监督条件的深度学习SAR影像舰船识别方法，其特征在于：所述步骤1.2是利用累计逆指数概率分布获取子图像的像素阈值，然后利用阈值对子图像进行快速分割，获取二值化图像，子图像像素阈值的计算方式如下:
x＝F-1(p|u)＝-u×ln(1-p) (1)
式中，x为预处理后的子图像的像素阈值，u为预处理后子图像的像素均值，p为像素值在[0,x]范围内的概率值。
5.如权利要求2所述的一种基于自监督条件的深度学习SAR影像舰船识别方法，其特征在于：所述步骤1.3.1是将二值化图像进行八邻域连通处理，剔除面积小于阈值α的目标，保留其它目标，保留的目标属性信息中包含目标所在图像的位置几何信息，包括各个目标信息的左上角位置
右下角位置
质心坐标(cxi,cyj)、长hi、宽wi以及面积areai。
6.如权利要求5所述的一种基于自监督条件的深度学习SAR影像舰船识别方法，其特征在于：所述步骤1.3.2是分别以面积322，642，962作为不同尺度目标的临界条件，获取包含舰船和虚警的切片数据；对于面积areai∈[0，322]，以目标的质心(cxi,cyj)为中心，16为半径获取候选目标；对于面积areai∈(322，642]，以目标的质心(cxi,cyj)为中心，32为半径获取候选目标；对于面积areai∈(962，512]，以目标的质心(cxi,cyj)为中心，max(hi,wi)/2为半径获取候选目标；切片数据中，舰船目标包含了各种尺寸及散射强度的船，虚警目标包含了形式各异的陆地目标、鬼影目标、礁石、人工构造物。
7.如权利要求1所述的一种基于自监督条件的深度学习SAR影像舰船识别方法，其特征在于：所述步骤2.1中的数据增广处理包括缩放、色彩变换、高斯随机噪声三种策略。
8.如权利要求1所述的一种基于自监督条件的深度学习SAR影像舰船识别方法，其特征在于：所述步骤2.4.1是利用余弦相似度计算经过数据增广处理后的两个图像xi和xj之间的相似度，计算方式如下：
式中，τ是可调参数，通过τ的取值可将相似度的取值范围控制在[-1,1]；zi、zj分别为图像xi、xj的经过非线性变换的特征向量，||zi||和||zj||是矢量zi和zj的模。
9.如权利要求8所述的一种基于自监督条件的深度学习SAR影像舰船识别方法，其特征在于：所述步骤2.4.2是使用归一化温度-尺度交叉熵损失函数计算一对图像的损失li,j，计算完每个批次经过增广处理的两两图像之间损失后，取损失平均值
对模型进行梯度更新，如下式所示：
式中，当k≠i时，I[k≠i]为1，否则为0；每个批次有2N个图像，计算两两图像之间的损失共得到2N个损失，取2N个损失代价值的平均值对模型进行梯度更新。
10.如权利要求1所述的一种基于自监督条件的深度学习SAR影像舰船识别方法，其特征在于：所述步骤3.1可以使用Adam Optimizer优化算法对CNN网络模型进行500epochs无监督训练，学习率设置为0.001，权重衰减设置为0.00001，每次参与训练的batch size设置为128。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110652684.3A CN113378716A (zh) | 2021-06-11 | 2021-06-11 | 一种基于自监督条件的深度学习sar影像舰船识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110652684.3A CN113378716A (zh) | 2021-06-11 | 2021-06-11 | 一种基于自监督条件的深度学习sar影像舰船识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113378716A true CN113378716A (zh) | 2021-09-10 |
Family
ID=77573905
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110652684.3A Pending CN113378716A (zh) | 2021-06-11 | 2021-06-11 | 一种基于自监督条件的深度学习sar影像舰船识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113378716A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115546651A (zh) * | 2022-11-17 | 2022-12-30 | 福建中科中欣智能科技有限公司 | 一种多模态船舶目标检测和识别系统及装置 |
| CN116908806A (zh) * | 2023-09-13 | 2023-10-20 | 中国电子科技集团公司第十四研究所 | 一种基于自监督学习的多维特征目标检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004155407A (ja) * | 2002-09-10 | 2004-06-03 | Yamaha Motor Co Ltd | 船舶の操舵補助装置 |
| CN110569793A (zh) * | 2019-09-09 | 2019-12-13 | 西南交通大学 | 一种无监督相似性判别学习的目标跟踪方法 |
| CN112464879A (zh) * | 2020-12-10 | 2021-03-09 | 山东易视智能科技有限公司 | 基于自监督表征学习的海洋目标检测方法及系统 |
| CN112800980A (zh) * | 2021-02-01 | 2021-05-14 | 南京航空航天大学 | 一种基于多层次特征的sar目标识别方法 |
-
2021
- 2021-06-11 CN CN202110652684.3A patent/CN113378716A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004155407A (ja) * | 2002-09-10 | 2004-06-03 | Yamaha Motor Co Ltd | 船舶の操舵補助装置 |
| CN110569793A (zh) * | 2019-09-09 | 2019-12-13 | 西南交通大学 | 一种无监督相似性判别学习的目标跟踪方法 |
| CN112464879A (zh) * | 2020-12-10 | 2021-03-09 | 山东易视智能科技有限公司 | 基于自监督表征学习的海洋目标检测方法及系统 |
| CN112800980A (zh) * | 2021-02-01 | 2021-05-14 | 南京航空航天大学 | 一种基于多层次特征的sar目标识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| TING CHEN ET AL.: "A Simple Framework for Contrastive Learning of Visual Representations", 《ARXIV:2002.05709V3》 * |
| XIAOMENG GENG,ET AL.: "Ship Detection and Feature Visualization Analysis Based on", 《REMOTE SENSING》 * |
| 张倩 等: "基于自监督表征学习的海面目标检测方法", 《水下无人系统学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115546651A (zh) * | 2022-11-17 | 2022-12-30 | 福建中科中欣智能科技有限公司 | 一种多模态船舶目标检测和识别系统及装置 |
| CN115546651B (zh) * | 2022-11-17 | 2023-02-28 | 福建中科中欣智能科技有限公司 | 一种多模态船舶目标检测和识别系统及装置 |
| CN116908806A (zh) * | 2023-09-13 | 2023-10-20 | 中国电子科技集团公司第十四研究所 | 一种基于自监督学习的多维特征目标检测方法 |
| CN116908806B (zh) * | 2023-09-13 | 2023-12-01 | 中国电子科技集团公司第十四研究所 | 一种基于自监督学习的多维特征目标检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
| Cheng et al. | FusionNet: Edge aware deep convolutional networks for semantic segmentation of remote sensing harbor images | |
| CN107016677B (zh) | 一种基于fcn和cnn的云图分割方法 | |
| CN108491854B (zh) | 基于sf-rcnn的光学遥感图像目标检测方法 | |
| CN110378308B (zh) | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 | |
| CN108898065B (zh) | 候选区快速筛选与尺度自适应的深度网络舰船目标检测方法 | |
| CN104217196B (zh) | 一种遥感影像圆形油罐自动检测方法 | |
| CN112308152B (zh) | 基于光谱分割与同质区域检测的高光谱图像地物分类方法 | |
| CN111027497B (zh) | 基于高分辨率光学遥感影像的弱小目标快速检测方法 | |
| CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
| CN113378716A (zh) | 一种基于自监督条件的深度学习sar影像舰船识别方法 | |
| CN112818905B (zh) | 一种基于注意力和时空信息的有限像素车辆目标检测方法 | |
| CN113158943A (zh) | 一种跨域红外目标检测方法 | |
| Yaohua et al. | A SAR oil spill image recognition method based on densenet convolutional neural network | |
| CN106886747A (zh) | 一种基于扩展小波变换的复杂背景下舰船检测方法 | |
| Guo et al. | Underwater sea cucumber identification via deep residual networks | |
| Guo et al. | Aircraft target detection from spaceborne SAR image | |
| Li et al. | Automatic infrared ship target segmentation based on structure tensor and maximum histogram entropy | |
| Qiu et al. | Underwater sea cucumbers detection based on pruned SSD | |
| Yang et al. | Sar images target detection based on yolov5 | |
| CN116797941A (zh) | 一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法 | |
| CN113902975B (zh) | 一种用于sar舰船检测的场景感知数据增强方法 | |
| CN116703895A (zh) | 基于生成对抗网络的小样本3d视觉检测方法及其系统 | |
| Cai et al. | Man-made object detection based on texture clustering and geometric structure feature extracting | |
| Raj et al. | A novel Ship detection method from SAR image with reduced false alarm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210910 |