CN113420630A - 一种基于从头训练的sar图像舰船目标检测方法和系统 - Google Patents

一种基于从头训练的sar图像舰船目标检测方法和系统 Download PDF

Info

Publication number
CN113420630A
CN113420630A CN202110671650.9A CN202110671650A CN113420630A CN 113420630 A CN113420630 A CN 113420630A CN 202110671650 A CN202110671650 A CN 202110671650A CN 113420630 A CN113420630 A CN 113420630A
Authority
CN
China
Prior art keywords
target detection
ship target
sar
detection model
training
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
Application number
CN202110671650.9A
Other languages
English (en)
Inventor
李健伟
徐从安
何明
苏航
周伟
吴俊峰
孙炜玮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
School Of Aeronautical Combat Service Naval Aeronautical University Of People's Liberation Army
Original Assignee
School Of Aeronautical Combat Service Naval Aeronautical University Of People's Liberation Army
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by School Of Aeronautical Combat Service Naval Aeronautical University Of People's Liberation Army filed Critical School Of Aeronautical Combat Service Naval Aeronautical University Of People's Liberation Army
Priority to CN202110671650.9A priority Critical patent/CN113420630A/zh
Publication of CN113420630A publication Critical patent/CN113420630A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于从头训练的SAR图像舰船目标检测方法和系统。所述基于从头训练的SAR图像舰船目标检测方法，针对深度学习检测算法用于SAR图像时的不足，设计了包括骨干网络SAR‑SDB和前端网络SAR‑SDF的舰船目标检测模型，以用于实现目标的精确检测。骨干网络SAR‑SDB具有较强的特征表达能力，降低了通道个数，减少了模型尺寸和计算量，避免了过拟合问题。采用前端网络SAR‑SDF有助于提高目标分类和定位的精度，进而在提高检测准确率的同时，降低了目标检测模型尺寸和目标检测时间。

Description

一种基于从头训练的SAR图像舰船目标检测方法和系统
技术领域
本发明涉及目标检测和雷达遥感技术领域，特别是涉及一种基于从头训练的SAR图像舰船目标检测方法和系统。
背景技术
合成孔径雷达(SyntheticAperture Radar,SAR)凭借其全天时、全天候的工作特点，在海面舰船目标监视得到了广泛的使用。传统方法以恒虚警率(Constant False-AlarmRate，CFAR)为主，CFAR需要首先估计SAR图像像素的分布模型，当SAR图像背景复杂时会导致模型估计不准确，从而出现大量的虚警和漏警。自从2014年深度学习在目标检测领域展现巨大的优势，很多研究人员(Li J,Qu C,Shao J.Ship detection in SAR images basedon an improved faster R-CNN[C].2017SAR in Big Data Era:Models,Methods andApplications(BIGSARDATA).IEEE,2017.)将它们应用到了SAR图像舰船目标检测，并取得了相比于传统方法非常好的效果。但是，基于深度学习的目标检测算法针对的图像是包括RGB三通道的自然场景图像，其与SAR图像具有较大的差异，主要体现在观察角度、目标特点和图像通道个数等。自然图像是正视图或侧视图，而SAR图像是俯视图；自然图像目标尺寸较大，而SAR图像中的目标尺寸较小；自然图像具有三个通道，而SAR图像是灰度图像只有一个通道。因此直接将这些算法用于SAR图像会存在模型与目标不适应、模型尺寸大和计算量大的问题。
发明内容
为解决现有技术中存在的上述问题，本发明提供了一种基于从头训练的SAR图像舰船目标检测方法和系统。
为实现上述目的，本发明提供了如下方案：
一种基于从头训练的SAR图像舰船目标检测方法，包括：
获取舰船目标检测模型；所述舰船目标检测模型包括骨干网络SAR-SDB和前端网络SAR-SDF；
获取待检测的SAR图像；
采用所述舰船目标检测模型根据所述待检测的SAR图像确定舰船目标检测结果。
优选地，所述获取舰船目标检测模型，之前还包括：
构建骨干网络SAR-SDB和前端网络SAR-SDF；所述骨干网络SAR-SDB包括：Stem结构、密集连接和金字塔模块；所述前端网络SAR-SDF为基于注意力机制的前端网络SAR-SDF；
根据所述骨干网络SAR-SDB和所述前端网络SAR-SDF构建初始的舰船目标检测模型；
获取训练样本数据集；
采用所述训练样本数据集对所述初始的舰船目标检测模型进行训练得到所述舰船目标检测模型。
优选地，所述采用所述训练样本数据集对所述初始的舰船目标检测模型进行训练得到所述舰船目标检测模型，具体包括：
对所述初始的舰船目标检测模型的模型参数进行初始化处理；
将所述训练样本集输入所述初始的舰船目标检测模型的骨干网络SAR-SDB中进行特征提取，形成特征图；
采用所述前端网络SAR-SDF根据所述特征图确定边框坐标和类别的置信度，得到目标位置和类别的预测值；
采用所述初始的舰船目标检测模型的损失函数根据所述目标位置和类别的预测值确定与真实值间的误差；
根据所述误差确定相应损失，得到最小损失值；
采用所述最小损失值调节所述初始的舰船目标检测模型的神经元参数得到所述舰船目标检测模型。
优选地，所述初始的舰船目标检测模型的损失函数为包括定位损失和类别损失的多任务损失函数。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的基于从头训练的SAR图像舰船目标检测方法，针对深度学习检测算法用于SAR图像时的不足，设计了包括骨干网络SAR-SDB和前端网络SAR-SDF的舰船目标检测模型，以用于实现目标的精确检测。骨干网络SAR-SDB具有较强的特征表达能力，降低了通道个数，减少了模型尺寸和计算量，避免了过拟合问题。采用前端网络SAR-SDF有助于提高目标分类和定位的精度，进而在提高检测准确率的同时，降低了目标检测模型尺寸和目标检测时间。
对应于上述提供的基于从头训练的SAR图像舰船目标检测方法，本发明还提供了以下实施结构：
一种基于从头训练的SAR图像舰船目标检测系统，包括：
舰船目标检测模型获取模块，用于获取舰船目标检测模型；所述舰船目标检测模型包括骨干网络SAR-SDB和前端网络SAR-SDF；
SAR图像获取模块，用于获取待检测的SAR图像；
目标检测结果确定模块，用于采用所述舰船目标检测模型根据所述待检测的SAR图像确定舰船目标检测结果。
优选地，还包括：
第一网络构建模块，用于构建骨干网络SAR-SDB和前端网络SAR-SDF；所述骨干网络SAR-SDB包括：Stem结构、密集连接和金字塔模块；所述前端网络SAR-SDF为基于注意力机制的前端网络SAR-SDF；
第二网络构建模块，用于根据所述骨干网络SAR-SDB和所述前端网络SAR-SDF构建初始的舰船目标检测模型；
训练样本数据集获取模块，用于获取训练样本数据集；
训练模块，用于采用所述训练样本数据集对所述初始的舰船目标检测模型进行训练得到所述舰船目标检测模型。
优选地，所述训练模块具体包括：
初始化处理单元，用于对所述初始的舰船目标检测模型的模型参数进行初始化处理；
特征提取单元，用于将所述训练样本集输入所述初始的舰船目标检测模型的骨干网络SAR-SDB中进行特征提取，形成特征图；
目标位置预测值确定单元，用于采用所述前端网络SAR-SDF根据所述特征图确定边框坐标和类别的置信度，得到目标位置和类别的预测值；
误差确定单元，用于采用所述初始的舰船目标检测模型的损失函数根据所述目标位置和类别的预测值确定与真实值间的误差；
最小损失值确定单元，用于根据所述误差确定相应损失，得到最小损失值；
参数调节单元，用于采用所述最小损失值调节所述初始的舰船目标检测模型的神经元参数得到所述舰船目标检测模型。
因本发明提供的这一具体实施结构达到的技术效果与上述提供的基于从头训练的SAR图像舰船目标检测方法达到的技术效果相同，故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于从头训练的SAR图像舰船目标检测方法的流程图；
图2为本发明提供的一个从头训练检测算法训练过程图；
图3为本发明提供的一个从头训练检测算法检测过程图；
图4为本发明提供的一个所提方法的整体框架示意图；
图5为本发明提供的一个Stem模块结构图；
图6为本发明提供的一个SAR-SDB的特征金字塔结构图；
图7为本发明提供的一个SAR-SDF的结构图；
图8为本发明提供的一个本发明方法检测小尺寸目标结果图；
图9为本发明提供的一个本发明方法检测靠岸舰船结果图；
图10为本发明提供的基于从头训练的SAR图像舰船目标检测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于从头训练的SAR图像舰船目标检测方法和系统，以在提高目标检测准确率的同时、减小检测模型尺寸和目标检测时间。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的一种基于从头训练的SAR图像舰船目标检测方法，包括：
步骤100：获取舰船目标检测模型。如图4所示，舰船目标检测模型包括骨干网络SAR-SDB(用于提取特征)和前端网络SAR-SDF(用于预测)和NMS(用于去除重复的边框)。
步骤101：获取待检测的SAR图像。
步骤102：采用舰船目标检测模型根据待检测的SAR图像确定舰船目标检测结果。实际检测舰船时，首先加载训练之后的整个模型的参数，之后输入SAR图像，经过检测算法的计算即可生成目标的检测结果(类别和位置)。具体的，首先加载训练之后的整个模型的参数，之后输入SAR图像，经过检测算法的计算可生成目标的多个边框(类别和位置)，最后通过非极大值抑制去除多余的边框，生成最终的目标位置边框。
进一步，在步骤100获取舰船目标检测模型，之前本发明还优选包括以下构建网络的步骤：
步骤103：构建骨干网络SAR-SDB和前端网络SAR-SDF。的骨干网络SAR-SDB具有较强的特征表达能力，便于从头训练，是为SAR图像舰船目标检测任务而设计的轻量级网络。骨干网络SAR-SDB的详细配置如下表1所示，其包括：Stem结构、密集连接和金字塔模块。前端网络SAR-SDF为基于注意力机制的前端网络SAR-SDF。
步骤104：根据骨干网络SAR-SDB和前端网络SAR-SDF构建初始的舰船目标检测模型。
步骤105：获取训练样本数据集。
步骤106：采用训练样本数据集对初始的舰船目标检测模型进行训练得到舰船目标检测模型。
其中，Inception V4的Stem结构通过连续堆叠5个3×3的卷积，1个1×1的卷积和1个3×3的池化层将输入的原始图像进行4倍的下采样，但是通过过多的卷积操作会增加输入原始图像的信息损失。在本发明中，本发明提出的Stem结构如图5所示，改进后的Stem结构有两个3×3卷积，两个1×1卷积和一个2×2最大池化层，通过设置多个小尺寸的卷积，实现了对原始输入图像的4倍下采样，这可以减少输入原始图像的信息损失，同时不增加太多计算量。例如，当输入图像的尺寸是300×300×1，经过尺寸为3×3×32、步长为2的卷积变成尺寸为150×150×32的特征图，之后经过3×3和1×1的卷积以及2×2的池化并通过聚合得到特征图尺寸为75×75×64，最后利用1×1的卷积可以得到75×75×32的特征图。
本发明提出的特征金字塔网络结构如图6所示，金字塔模块可以增强骨干网络的语义信息，比较适合检测小尺寸的舰船目标。在一个典型的CNN模型中，底层的卷积特征经常会聚焦于局部特征细节，但是深层的特征会捕捉更多抽象的类别信息，而特征金字塔网络可以融合底层和高层的信息。实现过程如图6所示，1×1卷积用于增加通道个数，上采样用于改变特征图的大小，只有有同样尺寸和通道个数的特征图才可以逐元素相加。
进一步，SAR-SDB可以分成五个阶段，分别是阶段0到阶段4共五个阶段。其中，阶段0到阶段2会对特征图的尺寸进行减半，阶段3和阶段4保持特征图的尺寸不变。阶段0用的是Stem结构，通过少量卷积处理实现4倍下采样，可以减少输入的原始图像的信息损失。阶段1到阶段4使用了密集连接和变换层，增强了梯度信息在不同层的传递。从阶段1到阶段4建立了特征金字塔，可以向底层融入更多的语义信息，提高检测小尺寸目标能力。特征图的通道个数也得到了大幅减少，从而形成了轻量级的骨干网络。
表1中密集连接中每一层都与前面一层相连，变换层是采用1×1的卷积(用于改变通道个数)并进行池化。没有池化的变换层，是指只采用1×1的卷积不进行池化。表中每个密集连接的增长率(growth rate)为16。
表1骨干网络SAR-SDB的结构配置表(输入尺寸是1×300×300)
Figure BDA0003119540090000071
具体的，如图3所示，图中黑色方块代表去卷积，用于将特征图增大，白色圆代表逐元素相加操作，灰色方块代表1×1卷积，实线箭头代表普通卷积，虚线箭头代表扩张卷积(扩张卷积用于增大滤波器的感受野)，使其可以包含更多的上下文信息(场景信息)而不会大量的增加参数量和计算量。
本发明提出的前端网络SAR-SDF的结构如图7所示。它包括通道注意力、空间注意力和同等映射三个模块。通道和空间注意力模块可自适应的选择有用的特征，使算法在学习的过程中更好的理解物体是什么(通道注意力)以及在哪里(空间注意力)，提高分类和定位任务的精度。其中，通道注意力模块使用全局平均池化实现挤压操作，用两个全连接层组成一个瓶颈结构去建模通道间的相关性，利用计算得到的权重对特征图进行相乘，在新的特征图上进行预测。空间注意力模块可关注SAR图像是存在舰船目标的一小块区域中，实现自适应的选择有语义信息的图像区域。空间挤压操作通过重塑实现特征图的挤压，并通过sigmoid映射将激活值变换到的[0，1]的范围，用于在空间进行校正特征图，校正可以关注包含目标的区域，忽略不包含目标的区域。同等映射模块将通过逐元素相加的方式对原始特征、通道注意力模块处理后的特征和空间注意力模块处理后的特征进行融合，使算法在学习的过程中更好的理解物体是什么以及在哪里，提高分类和定位任务的精度。具体的：
通道注意力包括挤压(Fsq)和激活(Fex)两个操作，产生的权重向量是e，尺寸为1×1×c，得到校正之后的特征图，空间注意力包括重塑(reshape，即1×1卷积)和sigmoid激活两个操作，产生的权重向量是q，尺寸为h×w×1，得到校正之后的特征图。
图7所示的通道注意力模块可自适应的校正特征图(对特征图加权处理)，来提升有用的特征，抑制无用的特征，它对分类任务更有效，它用全局平均池化操作来实现挤压操作(将h×w×c变成1×1×c)，两个小全连接层用于激活，最后会有一个计算量很小的尺度相乘的操作。可用以下公式来描述这个过程
Fex(Fsq(U)) (1)
式中，U是原特征图，Fsq代表挤压操作，Fex代表激活操作，
Figure BDA0003119540090000081
是处理之后的权重向量，挤压阶段的Fsq可以看成在每个通道上的全局池化操作
Figure BDA0003119540090000091
式中，s∈Rc，是一个通过全局池化U计算得到的向量，u(i,j)∈R1×1×C代表特征图空间位置(i,j)。
激活阶段是两个全连接层和sigmoid激活函数
Figure BDA0003119540090000092
式中，e∈Rc是输出，σ是sigmoid激活函数(详见公式2-21)，fc和
Figure BDA0003119540090000093
是两个分别有c和
Figure BDA0003119540090000094
尺度的全连接层，通过下式计算
Figure BDA0003119540090000095
Figure BDA0003119540090000096
式中，
Figure BDA0003119540090000097
代表逐通道相乘。
空间注意力模块可以更多的关注语义相关的部分区域，它将特征图U表示成U＝[u1,1,u1,2,…,ui,j…,uH,W]，这里ui,j∈R1×1×C代表空间位置(i,j)，其中i∈{1,2,…,H}，j∈{1,2,…,W}。空间挤压操作通过重塑实现q＝Wsq*U，Wsq是权重，产生的映射向量是q∈RH×W。q＝[q1,1,q1,2,...,qi,j]∈RH×w，每个映射qi,j代表空间位置(i,j)所有通道的线性组合。这个映射通过sigmoid层σ(·)将激活值变换到的[0，1]的范围，用于在空间进行校正U，如下式所示
[σ(q1,1)u1,1,n,σ(qi,j)ui,j,n,σ(qH,W)uH,W] (5)
式中，每个σ(qi,j)数值对应于给定特征图的空间信息σ(·)的相对重要性，校正可以关注包含目标的区域，忽略不包含目标的区域。
最后，将同等映射与上面两种注意力模块进行组合，注意力机制可使前端网络学习在通道和空间上更有用的特征，这有利于提高分类和定位的精度，而不会增加很多的计算量，进而利用这些特征预测目标位置和类别。
基于此，骨干网络阶段1和阶段4输出两个特征图，对阶段4继续降采样输出4个特征图，共输出尺度1到尺度6共6个尺度的特征图，其中每个尺度在预测时都引入通道注意力、空间注意力和同等映射模块，进而产生目标位置和类别的预测值。
基于上述结构，舰船目标检测模型的训练过程是采用从头训练的方式。从头训练是指检测算法的骨干网络不需要加载在自然场景图像数据集训练之后得到的参数，直接通过初始化函数即可实现在SAR图像舰船目标检测数据集SSDD上对检测算法的成功训练，即舰船目标检测模型不需要使用预训练的参数进行初始化，直接利用Xavier函数初始化模型参数，之后在SSDD数据集上从头训练，训练过程中利用损失函数计算预测值与真实值的误差，利用梯度下降法更新模型参数，直到模型收敛，保存最终训练好的参数用于下一阶段的检测。该训练的具体过程为：
对初始的舰船目标检测模型的模型参数进行初始化处理。
将训练样本集输入初始的舰船目标检测模型的骨干网络SAR-SDB中进行特征提取，形成特征图。
采用前端网络SAR-SDF根据特征图确定边框坐标和类别的置信度，得到目标位置和类别的预测值。
采用初始的舰船目标检测模型的损失函数根据目标位置和类别的预测值确定与真实值间的误差。
根据误差确定相应损失，得到最小损失值。
采用最小损失值调节初始的舰船目标检测模型的神经元参数得到舰船目标检测模型。
其中，初始的舰船目标检测模型的损失函数为包括定位损失和类别损失的多任务损失函数。
上述训练过程的实际实施过程如图2所示，具体为：首先对模型参数进行初始化，之后将SAR图像输入到骨干网络提取特征，形成特征图。然后预测部分通过在对锚框上使用小尺寸的卷积来直接预测物体的边框坐标和类别的置信度，得到目标位置和类别的预测值。目标位置和类别的预测值送入到损失函数，损失函数根据目标位置和类别的预测值与真实值的误差，分别计算相应的损失，并用损失最小调整神经元参数，使检测达到最优。其中多任务损失函数包括定位损失和置信度损失。其中，从头训练检测算法的检测过程如图3所示。
在同一配置环境下(用Caffe框架在SSDD上去训练检测器，计算环境是64位Ubuntu14.04操作系统，计算机CPU Intel(R)Core(TM)i7-6770K@4.00GHz×8andNVIDIAGTX1080GPU，用CUDA8.0和cuDNN5.0加速)对SSD(未从头训练)、GRP-DSOD(在自然图像数据集上实现的从头训练)和所提算法进行了比较，通过Caffe框架下的模型占用存储大小来衡量模型大小。不同检测算法和锚框配置在数据集SSDD的检测结果如表2所示。
表2不同检测算法和锚框配置在数据集SSDD的检测效果
Figure BDA0003119540090000111
从上表2中可以看到，所提检测算法具有较高的准确率和更小的模型。
本发明的模型根据数据集SSDD的特点，进行了专门的设计，包括轻量级的骨干网络SAR-SDB和基于注意力机制的前端网络SAR-SDF，相比于GRP-DSOD从79.92％提升到81.30％。模型尺寸95MB从减小到了19.5MB。平均每幅图像处理时间从SSD的23ms，减小到GRP-DSOD的8.7ms和本发明所提方法的5.4ms。
通过表2的实验结果验证了在SAR图像目标检测数据集SSDD上自己设计且从头训练检测算法的优势。所设计的模型更适合SAR图像，不需要在分类数据集上进行预训练。而且可以根据速度或者精度的需要自己设计骨干网络和前端网络。
图8是对小尺寸舰船目标的检测效果，可以发现能够检测到大部分目标。图9显示了检测算法的一些处理结果，由图9可以看出，所提检测算法可以适应很多场景，对于靠近岸边的舰船目标基本上都能成功的检测到。
此外，对应于上述提供的基于从头训练的SAR图像舰船目标检测方法，本发明还提供了一种基于从头训练的SAR图像舰船目标检测系统，如图10所示，该系统包括：舰船目标检测模型获取模块1、SAR图像获取模块2和目标检测结果确定模块3。
其中，舰船目标检测模型获取模块1用于获取舰船目标检测模型。舰船目标检测模型包括骨干网络SAR-SDB和前端网络SAR-SDF。
SAR图像获取模块2用于获取待检测的SAR图像。
目标检测结果确定模块3用于采用舰船目标检测模型根据待检测的SAR图像确定舰船目标检测结果。
优选地，上述基于从头训练的SAR图像舰船目标检测系统还包括：第一网络构建模块、第二网络构建模块、训练样本数据集获取模块和训练模块。
第一网络构建模块用于构建骨干网络SAR-SDB和前端网络SAR-SDF。骨干网络SAR-SDB包括：Stem结构、密集连接和金字塔模块。前端网络SAR-SDF为基于注意力机制的前端网络SAR-SDF。
第二网络构建模块用于根据骨干网络SAR-SDB和前端网络SAR-SDF构建初始的舰船目标检测模型。
训练样本数据集获取模块用于获取训练样本数据集。
训练模块用于采用训练样本数据集对初始的舰船目标检测模型进行训练得到舰船目标检测模型。
其中，上述训练模块具体包括：初始化处理单元、特征提取单元、目标位置预测值确定单元、误差确定单元、最小损失值确定单元和参数调节单元。
初始化处理单元用于对初始的舰船目标检测模型的模型参数进行初始化处理。
特征提取单元用于将训练样本集输入初始的舰船目标检测模型的骨干网络SAR-SDB中进行特征提取，形成特征图。
目标位置预测值确定单元用于采用前端网络SAR-SDF根据特征图确定边框坐标和类别的置信度，得到目标位置和类别的预测值。
误差确定单元用于采用初始的舰船目标检测模型的损失函数根据目标位置和类别的预测值确定与真实值间的误差。
最小损失值确定单元用于根据误差确定相应损失，得到最小损失值。
参数调节单元用于采用最小损失值调节初始的舰船目标检测模型的神经元参数得到舰船目标检测模型。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种基于从头训练的SAR图像舰船目标检测方法，其特征在于，包括：
获取舰船目标检测模型；所述舰船目标检测模型包括骨干网络SAR-SDB和前端网络SAR-SDF；
获取待检测的SAR图像；
采用所述舰船目标检测模型根据所述待检测的SAR图像确定舰船目标检测结果。
2.根据权利要求1所述的基于从头训练的SAR图像舰船目标检测方法，其特征在于，所述获取舰船目标检测模型，之前还包括：
构建骨干网络SAR-SDB和前端网络SAR-SDF；所述骨干网络SAR-SDB包括：Stem结构、密集连接和金字塔模块；所述前端网络SAR-SDF为基于注意力机制的前端网络SAR-SDF；
根据所述骨干网络SAR-SDB和所述前端网络SAR-SDF构建初始的舰船目标检测模型；
获取训练样本数据集；
采用所述训练样本数据集对所述初始的舰船目标检测模型进行训练得到所述舰船目标检测模型。
3.根据权利要求1所述的基于从头训练的SAR图像舰船目标检测方法，其特征在于，所述采用所述训练样本数据集对所述初始的舰船目标检测模型进行训练得到所述舰船目标检测模型，具体包括：
对所述初始的舰船目标检测模型的模型参数进行初始化处理；
将所述训练样本集输入所述初始的舰船目标检测模型的骨干网络SAR-SDB中进行特征提取，形成特征图；
采用所述前端网络SAR-SDF根据所述特征图确定边框坐标和类别的置信度，得到目标位置和类别的预测值；
采用所述初始的舰船目标检测模型的损失函数根据所述目标位置和类别的预测值确定与真实值间的误差；
根据所述误差确定相应损失，得到最小损失值；
采用所述最小损失值调节所述初始的舰船目标检测模型的神经元参数得到所述舰船目标检测模型。
4.根据权利要求1所述的基于从头训练的SAR图像舰船目标检测方法，其特征在于，所述初始的舰船目标检测模型的损失函数为包括定位损失和类别损失的多任务损失函数。
5.一种基于从头训练的SAR图像舰船目标检测系统，其特征在于，包括：
舰船目标检测模型获取模块，用于获取舰船目标检测模型；所述舰船目标检测模型包括骨干网络SAR-SDB和前端网络SAR-SDF；
SAR图像获取模块，用于获取待检测的SAR图像；
目标检测结果确定模块，用于采用所述舰船目标检测模型根据所述待检测的SAR图像确定舰船目标检测结果。
6.根据权利要求5所述的基于从头训练的SAR图像舰船目标检测系统，其特征在于，还包括：
第一网络构建模块，用于构建骨干网络SAR-SDB和前端网络SAR-SDF；所述骨干网络SAR-SDB包括：Stem结构、密集连接和金字塔模块；所述前端网络SAR-SDF为基于注意力机制的前端网络SAR-SDF；
第二网络构建模块，用于根据所述骨干网络SAR-SDB和所述前端网络SAR-SDF构建初始的舰船目标检测模型；
训练样本数据集获取模块，用于获取训练样本数据集；
训练模块，用于采用所述训练样本数据集对所述初始的舰船目标检测模型进行训练得到所述舰船目标检测模型。
7.根据权利要求5所述的基于从头训练的SAR图像舰船目标检测系统，其特征在于，所述训练模块具体包括：
初始化处理单元，用于对所述初始的舰船目标检测模型的模型参数进行初始化处理；
特征提取单元，用于将所述训练样本集输入所述初始的舰船目标检测模型的骨干网络SAR-SDB中进行特征提取，形成特征图；
目标位置预测值确定单元，用于采用所述前端网络SAR-SDF根据所述特征图确定边框坐标和类别的置信度，得到目标位置和类别的预测值；
误差确定单元，用于采用所述初始的舰船目标检测模型的损失函数根据所述目标位置和类别的预测值确定与真实值间的误差；
最小损失值确定单元，用于根据所述误差确定相应损失，得到最小损失值；
参数调节单元，用于采用所述最小损失值调节所述初始的舰船目标检测模型的神经元参数得到所述舰船目标检测模型。
CN202110671650.9A 2021-06-17 2021-06-17 一种基于从头训练的sar图像舰船目标检测方法和系统 Pending CN113420630A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110671650.9A CN113420630A (zh) 2021-06-17 2021-06-17 一种基于从头训练的sar图像舰船目标检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110671650.9A CN113420630A (zh) 2021-06-17 2021-06-17 一种基于从头训练的sar图像舰船目标检测方法和系统

Publications (1)

Publication Number Publication Date
CN113420630A true CN113420630A (zh) 2021-09-21

Family

ID=77788832

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110671650.9A Pending CN113420630A (zh) 2021-06-17 2021-06-17 一种基于从头训练的sar图像舰船目标检测方法和系统

Country Status (1)

Country Link
CN (1) CN113420630A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114494782A (zh) * 2022-01-26 2022-05-13 北京百度网讯科技有限公司 图像处理方法、模型训练方法、相关装置及电子设备
CN115546555A (zh) * 2022-10-18 2022-12-30 安徽大学 一种基于混合表征学习增强的轻量化sar目标检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109522966A (zh) * 2018-11-28 2019-03-26 中山大学 一种基于密集连接卷积神经网络的目标检测方法
CN111445474A (zh) * 2020-05-25 2020-07-24 南京信息工程大学 基于双向复注意力深度网络的肾脏ct图像分割方法
CN111666836A (zh) * 2020-05-22 2020-09-15 北京工业大学 M-f-y型轻量化卷积神经网络的高分辨率遥感影像目标检测方法
CN111860693A (zh) * 2020-07-31 2020-10-30 元神科技(杭州)有限公司 一种轻量级视觉目标检测方法及系统
CN112084930A (zh) * 2020-09-04 2020-12-15 厦门大学 一种全视野数字病理切片的病灶区域分类方法及其系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109522966A (zh) * 2018-11-28 2019-03-26 中山大学 一种基于密集连接卷积神经网络的目标检测方法
CN111666836A (zh) * 2020-05-22 2020-09-15 北京工业大学 M-f-y型轻量化卷积神经网络的高分辨率遥感影像目标检测方法
CN111445474A (zh) * 2020-05-25 2020-07-24 南京信息工程大学 基于双向复注意力深度网络的肾脏ct图像分割方法
CN111860693A (zh) * 2020-07-31 2020-10-30 元神科技(杭州)有限公司 一种轻量级视觉目标检测方法及系统
CN112084930A (zh) * 2020-09-04 2020-12-15 厦门大学 一种全视野数字病理切片的病灶区域分类方法及其系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ABHIJIT GUHA ROY ET.AL: "Concurrent Spatial and Channel Squeeze & Excitation in Fully Convolutional Networks", 《ARXIV:1803.02579V2 [CS.CV]》 *
JIZHOU WANG 等: "Simultaneous Ship Detection and Orientation Estimation in SAR Images Based on Attention Module and Angle Regression", 《SENSORS》 *
ZHIQIANG SHEN ET.AL: "DSOD: Learning Deeply Supervised Object Detectors from Scratch", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 *
ZHIQIANG SHEN ET.AL: "Improving Object Detection from Scratch via Gated Feature Reuse", 《ARXIV:1712.00886V2 [CS.CV]》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114494782A (zh) * 2022-01-26 2022-05-13 北京百度网讯科技有限公司 图像处理方法、模型训练方法、相关装置及电子设备
CN114494782B (zh) * 2022-01-26 2023-08-08 北京百度网讯科技有限公司 图像处理方法、模型训练方法、相关装置及电子设备
CN115546555A (zh) * 2022-10-18 2022-12-30 安徽大学 一种基于混合表征学习增强的轻量化sar目标检测方法
CN115546555B (zh) * 2022-10-18 2024-05-03 安徽大学 一种基于混合表征学习增强的轻量化sar目标检测方法

Similar Documents

Publication Publication Date Title
CN110335290B (zh) 基于注意力机制的孪生候选区域生成网络目标跟踪方法
CN107330439B (zh) 一种图像中物体姿态的确定方法、客户端及服务器
CN109377530B (zh) 一种基于深度神经网络的双目深度估计方法
EP1975879B1 (en) Computer implemented method for tracking object in sequence of frames of video
CN113420630A (zh) 一种基于从头训练的sar图像舰船目标检测方法和系统
CN112149591B (zh) 用于sar图像的ssd-aeff自动桥梁检测方法及系统
CN111899203B (zh) 基于标注图在无监督训练下的真实图像生成方法及存储介质
CN113888461A (zh) 基于深度学习的小五金件缺陷检测方法、系统及设备
CN113705331B (zh) 一种基于四元特征金字塔网络的sar船只检测方法
CN115526935A (zh) 基于全局和局部信息的像素级抓取位姿检测方法及系统
US20220277581A1 (en) Hand pose estimation method, device and storage medium
CN112257727B (zh) 一种基于深度学习自适应可变形卷积的特征图像提取方法
CN113505634A (zh) 一种双流解码跨任务交互网络的光学遥感图像显著目标检测方法
CN113705375A (zh) 一种船舶航行环境视觉感知设备及方法
CN111368733B (zh) 一种基于标签分布学习的三维手部姿态估计方法、存储介质及终端
CN113850783A (zh) 一种海面船舶检测方法及系统
CN116310837B (zh) 一种sar舰船目标旋转检测方法及系统
CN116630808A (zh) 基于遥感图像特征提取的旋转舰船检测方法
CN111814884A (zh) 一种基于可变形卷积的目标检测网络模型的升级方法
CN116797939A (zh) 一种sar舰船旋转目标检测方法
CN113807354B (zh) 图像语义分割方法、装置、设备和存储介质
CN112800932B (zh) 海上背景下显著船舶目标的检测方法及电子设备
CN115861595A (zh) 一种基于深度学习的多尺度域自适应异源图像匹配方法
CN115187748A (zh) 一种基于点云的类别级的物体的质心与位姿估计
CN114723973A (zh) 大尺度变化鲁棒的图像特征匹配方法及装置

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
CB03 Change of inventor or designer information

Inventor after: Xu Congan

Inventor after: Li Jianwei

Inventor after: He Ming

Inventor after: Su Hang

Inventor after: Zhou Wei

Inventor after: Wu Junfeng

Inventor after: Sun Weiwei

Inventor before: Li Jianwei

Inventor before: Xu Congan

Inventor before: He Ming

Inventor before: Su Hang

Inventor before: Zhou Wei

Inventor before: Wu Junfeng

Inventor before: Sun Weiwei

CB03 Change of inventor or designer information