CN113469088B - 一种无源干扰场景下的sar图像舰船目标检测方法及系统 - Google Patents
一种无源干扰场景下的sar图像舰船目标检测方法及系统 Download PDFInfo
- Publication number
- CN113469088B CN113469088B CN202110776143.1A CN202110776143A CN113469088B CN 113469088 B CN113469088 B CN 113469088B CN 202110776143 A CN202110776143 A CN 202110776143A CN 113469088 B CN113469088 B CN 113469088B
- Authority
- CN
- China
- Prior art keywords
- loss function
- target
- attention
- task
- region
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 189
- 230000006870 function Effects 0.000 claims abstract description 108
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000012360 testing method Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims description 38
- 238000010586 diagram Methods 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 11
- ZKKMHTVYCRUHLW-UHFFFAOYSA-N 2h-pyran-5-carboxamide Chemical compound NC(=O)C1=COCC=C1 ZKKMHTVYCRUHLW-UHFFFAOYSA-N 0.000 claims description 9
- 230000002708 enhancing effect Effects 0.000 claims description 7
- HUPNQNOWXCVQSW-UHFFFAOYSA-N 2h-pyran-4-carboxamide Chemical compound NC(=O)C1=CCOC=C1 HUPNQNOWXCVQSW-UHFFFAOYSA-N 0.000 claims description 3
- UPSLECAHIMQGDX-UHFFFAOYSA-N 2h-pyran-6-carboxamide Chemical compound NC(=O)C1=CC=CCO1 UPSLECAHIMQGDX-UHFFFAOYSA-N 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- 238000007430 reference method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000011888 foil Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008707 rearrangement 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
- G06F18/21—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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种无源干扰场景下的SAR图像舰船目标检测方法及系统，将无源干扰条件下的SAR图像舰船目标检测数据集划分为训练样本和测试样本；构建注意力增强的Faster R‑CNN检测模型；对注意力增强的Faster R‑CNN检测模型的感兴趣区域分类任务、感兴趣区域位置回归任务、目标分类任务、目标位置回归任务和目标区域显著性检测任务的整体损失函数进行构建；利用训练样本对添加整体损失函数L后的注意力增强的Faster R‑CNN检测模型进行训练；将测试样本输入训练后包含权重参数的注意力增强的Faster R‑CNN检测模型中，预测输出测试样本中目标边界框位置，目标类别及目标的置信度分数，完成SAR图像舰船目标检测。本发明提升无源干扰场景下SAR图像舰船目标检测精度。
Description
技术领域
本发明属于遥感影像技术领域，具体涉及一种无源干扰场景下的SAR图像舰船目标检测方法及系统。
背景技术
无源干扰场景下的SAR图像舰船目标检测旨在无源干扰条件下对SAR图像的舰船目标进行定位和识别。传统的SAR图像舰船检测方法有基于模板匹配的方法、基于知识的方法和基于检测对象的方法，这些方法极大程度上依赖于大量的特征工程来实现对SAR图像中舰船目标的检测。然而，对于SAR图像中目标背景复杂、尺度差异明显等问题，这些方法的适应性并不强。
近年来，SAR图像舰船目标检测普遍采用基于深度学习的方法，深度卷积神经网络在目标检测问题上不需要手工设计特征，对SAR图像数据自行进行特征提取，性能表现超过传统算法。其中Faster R-CNN(Faster Region-based Convolutional Network)模型具有目标检测速度快，精度高等优点。然而，由于Faster R-CNN模型主要应用于自然图像场景下的目标检测任务，其并没有充分考虑SAR图像中无源干扰的问题，从而导致无源干扰场景下SAR图像舰船目标检测的性能很差。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种无源干扰场景下的SAR图像舰船目标检测方法及系统，提高无源干扰场景下SAR图像舰船目标的检测精度。
本发明采用以下技术方案：
无源干扰场景下的SAR图像舰船目标检测方法，包括以下步骤：
S1、构建无源干扰条件下的SAR图像舰船目标检测数据集，将无源干扰条件下的SAR图像舰船目标检测数据集划分为训练样本和测试样本；
S2、构建注意力增强的Faster R-CNN检测模型；
S3、对步骤S2构建的注意力增强的Faster R-CNN检测模型的感兴趣区域分类任务、感兴趣区域位置回归任务、目标分类任务、目标位置回归任务和目标区域显著性检测任务的整体损失函数L进行构建；
S4、利用步骤S1划分的训练样本对步骤S3构建整体损失函数L后的注意力增强的Faster R-CNN检测模型进行训练；
S5、将步骤S1划分的测试样本输入步骤S4训练后包含权重参数的注意力增强的Faster R-CNN检测模型中，预测输出测试样本中目标边界框位置，目标类别及目标的置信度分数，完成SAR图像舰船目标检测。
具体的，步骤S1中，将无源干扰条件下的SAR图像舰船目标检测数据集中的75％作为训练样本，剩余的25％作为测试样本。
具体的，步骤S2具体为：
S201、从Faster R-CNN检测模型的特征金字塔网络中获得5个金字塔特征图P2，P3，P4，P5，P6；
S202、将步骤S201获得的5个金字塔特征图P2，P3，P4，P5，P6的空间分辨率统一到与金字塔特征图P3相同的空间分辨率，并对其进行逐元素特征融合得到空间标准化特征图Fs；
S203、构建注意力增强模块，得到注意力增强的特征图Fa；
S204、将注意力增强的特征图Fa恢复到与金字塔特征图P2，P3，P4，P5，P6对应的空间分辨率，并与金字塔特征图P2，P3，P4，P5，P6进行特征融合，得到注意力增强的金字塔特征图
S205、将步骤S204得到的注意力增强的金字塔特征图
代替原始的金字塔特征图P2，P3，P4，P5，P6，输入到后续的感兴趣区域生成模块和目标检测模块，完成注意力增强的Faster R-CNN检测模型的构建。
进一步的，步骤S202具体为：
将金字塔特征图P2经过一个2倍的下采样层得到与金字塔特征图P3空间分辨率相同的特征图P′2，将金字塔特征图P4经过一个2倍的上采样层得到与金字塔特征图P3空间分辨率相同的特征图P′4，将金字塔特征图P5经过一个4倍的上采样层得到与金字塔特征图P3空间分辨率相同的特征图P′5，将金字塔特征图P6经过一个8倍的上采样层得到与金字塔特征图P3空间分辨率相同的特征图P′6；将采样得到的四个特征图P′2，P′4，P′5，P′6以及金字塔特征图P3进行逐元素的相加并求和，获得包含低层级细节信息和高层级语义信息的空间标准化特征图Fs。
进一步的，步骤S203具体为：
构建2个注意力增强分支，其中一个是通道注意力增强分支，第二个是空间注意力增强分支；对空间标准化特征图Fs采取并列的2个分支操作：将第一个分支依次经过全局平均池化层，第一个全连接层，ReLU激活层，第二个全连接层和Sigmoid激活层，得到包含通道注意力关系的特征图
将第二个分支依次经过第一个步长为1的1×1卷积层，ReLU激活层和第二个步长为1的1×1卷积层，得到目标区域显著性特征图；目标区域显著性特征图一方面作为目标区域显著性检测任务的输入，经过一个Softmax激活层，得到空间注意力关系特征图
将通道注意力关系的特征图
和空间注意力关系特征图
分别与空间标准化特征图Fs进行通道维度和空间维度的特征相乘融合，得到注意力增强的特征图Fa。
具体的，步骤S3具体为：
根据感兴趣区域分类任务的损失函数Lrpn_cls，感兴趣区域位置回归任务的损失函数Lrpn_reg，目标分类任务的损失函数Lrcnn_cls，目标位置回归任务的损失函数Lrcnn_reg和目标区域显著性检测任务的损失函数Latt确定注意力增强的Faster R-CNN检测模型的整体损失函数L。
进一步的，整体损失函数L为：
L＝Lrpn_cls+Lrpn_reg+Lrcnn_cls+Lrcnn_reg+Latt
更进一步的，感兴趣区域分类任务的损失函数Lrpn_cls为：
其中，
为第i个锚框对应的真实标签，pi为第i个锚框属于前景的概率；
感兴趣区域位置回归任务的损失函数Lrpn_reg为：
Lrpn_reg＝SmoothL1(x)，
其中，SmoothL1(x)表示平滑L1平方损失函数；
目标分类任务的损失函数Lrcnn_cls为：
其中，pi(c)第i个锚框对应的真实标签，
第i个锚框属于类别c的分类概率；
目标位置回归任务的损失函数Lrcnn_reg为：
Lrcnn_reg＝SmoothL1(x)，
其中，SmoothL1(x)表示平滑L1平方损失函数；
目标区域显著性检测任务的损失函数Latt为：
其中，
为第i个像素点对应的真实标签，pi为第i个像素点属于显著性区域的概率。
具体的，步骤S4具体为：
设置学习率，批训练数据大小和训练轮数，在ImageNet数据集上使用骨干网络ResNet-101预训练得到的分类模型参数，作为注意力增强的Faster R-CNN检测模型的初始化参数；将步骤S1获得的训练样本输入到注意力增强的Faster R-CNN检测模型中，使用优化器SGD优化步骤S3中的整体损失函数L，更新权重参数，当训练轮数达到设定值时，得到训练好的注意力增强的Faster R-CNN检测模型。
本发明的另一技术方案是，一种无源干扰场景下的SAR图像舰船目标检测系统，包括：
样本模块，构建无源干扰条件下的SAR图像舰船目标检测数据集，将无源干扰条件下的SAR图像舰船目标检测数据集划分为训练样本和测试样本；
检测模型模块，构建注意力增强的Faster R-CNN检测模型；
损失函数模块，对检测模型模块构建的注意力增强的Faster R-CNN检测模型的感兴趣区域分类任务、感兴趣区域位置回归任务、目标分类任务、目标位置回归任务和目标区域显著性检测任务的整体损失函数L进行构建；
训练模块，利用样本模块划分的训练样本对损失函数模块构建整体损失函数L后的注意力增强的Faster R-CNN检测模型进行训练；
检测模块，将样本模块划分的测试样本输入训练模块训练后包含权重参数的注意力增强的Faster R-CNN检测模型中，预测输出测试样本中目标边界框位置，目标类别及目标的置信度分数，完成SAR图像舰船目标检测。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种无源干扰场景下的SAR图像舰船目标检测方法，考虑到目标区域特征的利用，引入注意力增强模块，从特征层面来丰富目标区域的特征，加强目标区域的特征表达，抑制无源干扰噪声的影响，从而提升无源干扰场景下SAR图像舰船目标检测精度；利用了目标级别的显著性区域标签，即将目标区域内部像素转化为显著区域，将其余区域转化为非显著兴趣区域，来对目标区域显著性检测任务进行指导；考虑SAR图像舰船目标的多尺度特征，对多个层级的金字塔特征图均进行了注意力增强，提高对不同尺度舰船目标的检测性能。
进一步的，由于深度学习模型通常需要大量的数据进行训练，为了得到性能较好的模型，本发明选取无源干扰条件下SAR图像目标检测数据集中的75％的作为训练样本，剩余的25％作为测试样本。选取25％作为测试样本，也可以避免由测试样本较少而导致的测试结果不具有普遍性。
进一步的，由于无源干扰的存在，可能引起检测模型的错误检测，导致虚警率高的问题。本发明引入通过步骤S2引入注意力增强模块，从特征层面来丰富目标区域的特征，加强目标区域的特征表达，抑制无源干扰噪声的影响，从而提升无源干扰场景下SAR图像舰船目标检测精度。同时，本发明考虑SAR图像舰船目标的多尺度特征，对多个层级的金字塔特征图均进行了注意力增强，提高对不同尺度舰船目标的检测性能。
进一步的，考虑SAR图像舰船目标的多尺度特征，本发明引入了多层级的金字塔特征图，来实现对不同尺度舰船目标的检测。然而，对所有层级的金字塔特征图都构建注意力增强模块，则需要额外的网络参数和计算量。为了减少额外的网络参数和计算量，本发明通过S202步骤将所有层级的金字塔特征图缩放到同一空间分辨率，这样就只需要构建一个注意力增强模块。
进一步的，S203构建了通道注意力增强分支和空间注意力增强分支：通道注意力分支从特征图通道维度实现了特征重要性的重排列，加强有用通道信息，剔除冗余通道信息；空间注意力增强分支从特征图空间维度实现了对特征图上显著性区域的增强，抑制干扰噪声的影响。此外，由于通道注意力分支和空间注意力分支从两个不同维度进行特征图的注意力增强，S203通过特征相乘融合，实现了通道注意力和空间注意力的有机结合。
进一步的，本发明在传统的感兴趣区域分类任务的损失函数Lrpn_cls，感兴趣区域位置回归任务的损失函数Lrpn_reg，目标分类任务的损失函数Lrcnn_cls，目标位置回归任务的损失函数Lrcnn_reg基础上，引入了目标区域显著性检测任务的损失函数Latt。该损失的引入可以在使得网络在标签信息监督下学习特征图中的显著性区域，可以更准确的加强特征图上的显著性区域。
进一步的，本发明将感兴趣区域分类任务的损失函数Lrpn_cls，感兴趣区域位置回归任务的损失函数Lrpn_reg，目标分类任务的损失函数Lrcnn_cls，目标位置回归任务的损失函数Lrcnn_reg和目标区域显著性检测任务的损失函数Latt的损失加和作为网络的总体损失，可以实现网络的端到端训练。
进一步的，考虑到感兴趣区域分类任务和目标区域显著性检测任务均为两分类问题，本发明采用了二元交叉熵作为感兴趣区域分类任务和目标区域显著性检测任务的损失函数。考虑到目标分类任务为多分类问题，本发明采用了多元交叉熵作为目标分类任务损失函数。考虑到目标分类任，本发明采用了本发明使用平滑L1平方损失函数作为感兴趣区域位置回归任务和目标位置回归任务的损失函数可以有效地防止梯度爆炸。
进一步的，本发明采用在ImageNet数据集上预训练后的ResNet-101作为注意力增强的Faster-RCNN的初始化参数，可以加快网络的收敛速度。
综上所述，本发明构建了一种无源干扰场景下的SAR图像舰船目标检测方法。由于无源干扰导致的虚警率高的问题，本发明设计了注意力增强模块，从通道维度和空间维度来加强特征图上目标区域的判别性，抑制无源干扰噪声的影响；利用目标级别的显著性区域标签，指导网络对目标区域显著性检测任务的学习；考虑SAR图像舰船目标的多尺度特征，对多个层级的金字塔特征图均进行了注意力增强，提高对不同尺度舰船目标的检测性能。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的实现流程图；
图2为仿真使用的无源干扰场景下的SAR图；
图3为用本发明和基准方法对图2进行检测的仿真结果图像，其中，(a)为用现有技术仿真结果图，图3(b)为本发明仿真结果图。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种无源干扰场景下的SAR图像舰船目标检测方法，在无源干扰场景下的SAR图像舰船目标检测数据集中获取训练样本和测试样本；构建注意力增强的Faster R-CNN检测模型，设定感兴趣区域分类任务、感兴趣区域位置回归任务、目标分类任务、目标位置回归任务和目标区域显著性检测任务整体的损失函数。将训练样本输入到构建的网络模型中进行训练，得到训练好的检测模型；将测试样本输入训练好的检测模型中，预测输出目标类别、目标置信度及目标位置。本发明加强了潜在目标区域特征的判别性，提高了无源干扰场景下的SAR图像舰船目标检测精度，可用于复杂环境下的军事目标侦察，解决现有无源干扰场景下SAR图像舰船目标检测精度低的问题。
请参阅图1，本发明一种无源干扰场景下的SAR图像舰船目标检测方法，在FasterR-CNN中引入了双注意力机制模块，注意力增强的Faster R-CNN检测模型。其首先从FasterR-CNN检测模型的骨干网络和特征金字塔网络获取多个层级的金字塔特征图；接着将多个层级的金字塔特征图进行空间分辨率的统一，并进行逐像素特征融合，获取空间标准化特征图；然后，对空间标准化特征图引入注意力增强模块，获取注意力增强的特征图；随后，将注意力增强的特征图依次恢复到与多个层级的金字塔特征图对应的空间分辨率，并与多个层级的金字塔特征图进行特征融合；最后将融合后的多个层级的金字塔特征图用在检测模型中，通过多任务学习实现多目标的类别确定和目标位置定位；具体步骤如下：
S1、构建无源干扰条件下的SAR图像舰船目标检测数据集，将无源干扰条件下的SAR图像舰船目标检测数据集中的75％作为训练样本，剩余的25％作为测试样本；
获取公开的SAR图像舰船目标检测数据集SSDD，该数据集包括1160张幅宽为400～600像素大小的SAR图像，以及SAR图像中目标类别和目标位置的真实标签。本实例将实测的无源干扰(箔条云)图像块加入到了SAR图像舰船目标检测数据集中，以构建无源干扰场景下的SAR图像舰船目标识别数据集，并将其中的1242张样本图像作为训练样本，剩余的82张图像作为测试样本。
S2、构建注意力增强的Faster R-CNN检测模型；
S201、从Faster R-CNN检测模型的特征金字塔网络中获得5个金字塔特征图P2，P3，P4，P5，P6；
S202、将5个金字塔特征图P2，P3，P4，P5，P6的空间分辨率统一到与金字塔特征图P3相同的空间分辨率，并对其进行逐元素特征融合得到空间标准化特征图Fs；
S2021、将金字塔特征图P2经过一个2倍的下采样层得到与金字塔特征图P3空间分辨率相同的特征图P′2，将金字塔特征图P4经过一个2倍的上采样层得到与金字塔特征图P3空间分辨率相同的特征图P′4，将金字塔特征图P5经过一个4倍的上采样层得到与金字塔特征图P3空间分辨率相同的特征图P′5，将金字塔特征图P6经过一个8倍的上采样层得到与金字塔特征图P3空间分辨率相同的特征图P′6；
S2022、将采样得到的四个特征图P′2，P′4，P′5，P′6以及金字塔特征图P3进行逐元素的相加并求和，获得包含低层级细节信息和高层级语义信息的空间标准化特征图Fs。
S203、构建注意力增强模块，得到注意力增强的特征图Fa；
S2031、构建2个注意力增强分支，其中一个是通道注意力增强分支，第二个是空间注意力增强分支；
S2032、对空间标准化特征图Fs采取并列的2个分支操作：
将第一个分支依次经过全局平均池化层，第一个全连接层，ReLU激活层，第二个全连接层和Sigmoid激活层，得到包含通道注意力关系的特征图
将第二个分支依次经过第一个步长为1的1×1卷积层，ReLU激活层和第二个步长为1的1×1卷积层，得到目标区域显著性特征图；目标区域显著性特征图一方面作为目标区域显著性检测任务的输入，另一方面经过一个Softmax激活层，得到空间注意力关系特征图
S2033、将通道注意力关系的特征图
和空间注意力关系特征图
分别与空间标准化特征图Fs进行通道维度和空间维度的特征相乘融合，得到注意力增强的特征图Fa。
S204、将注意力增强的特征图Fa恢复到与金字塔特征图P2，P3，P4，P5，P6对应的空间分辨率，并与金字塔特征图P2，P3，P4，P5，P6进行特征融合，得到注意力增强的金字塔特征图
S205、将注意力增强的金字塔特征图
代替原始的金字塔特征图P2，P3，P4，P5，P6，输入到后续的感兴趣区域生成模块和目标检测模块，完成注意力增强的Faster R-CNN检测模型的构建。
S3、设定注意力增强的Faster R-CNN检测模型中感兴趣区域分类任务、感兴趣区域位置回归任务、目标分类任务、目标位置回归任务和目标区域显著性检测任务的整体损失函数L：
S301、将现有Binary Cross Entropy函数设定为注意力增强的Faster R-CNN检测模型中感兴趣区域分类任务的损失函数，用Lrpn_cls表示；
其中，
为第i个锚框对应的真实标签，pi为第i个锚框属于前景的概率。
S302、将现有Smooth L1 Loss函数设定为注意力增强的Faster R-CNN检测模型中感兴趣区域位置回归任务的损失函数，用Lrpn_reg表示；
Lrpn_reg＝SmoothL1(x)，
其中，SmoothL1(x)表示平滑L1平方损失函数，
表示第i个锚框相对于预测目标边框的偏移量ti与第i个锚框相对于真实目标边框的偏移量
的差值。
S303、将现有Cross Entropy函数设定为注意力增强的Faster R-CNN检测模型中目标分类任务的损失函数，用Lrcnn_cls表示；
其中，pi(c)第i个锚框对应的真实标签，
第i个锚框属于类别c的分类概率。
S304、将现有Smooth L1 Loss函数设定注意力增强的Faster R-CNN检测模型中目标位置回归任务的损失函数，用Lrcnn_reg表示；
Lrcnn_reg＝SmoothL1(x)，
其中，SmoothL1(x)表示平滑L1平方损失函数，
表示第i个锚框相对于预测目标边框的偏移量ti与第i个锚框相对于真实目标边框的偏移量
的差值。
S305、将现有Binary Cross Entropy函数设定注意力增强的Faster R-CNN检测模型中目标区域显著性检测任务的损失函数，用Latt表示；
其中，
为第i个像素点对应的真实标签，pi为第i个像素点属于显著性区域的概率。
S306、由感兴趣区域分类任务的损失函数Lrpn_cls，感兴趣区域位置回归任务的损失函数Lrpn_reg，目标分类任务的损失函数Lrcnn_cls，目标位置回归任务的损失函数Lreg和目标区域显著性检测任务的损失函数Latt，设定注意力增强的Faster R-CNN检测模型整体损失函数L为：
L＝Lrpn_cls+Lrpn_reg+Lrcnn_cls+Lrcnn_reg+Latt
S4、利用步骤S1获得的训练样本对步骤S3设定整体损失函数L的注意力增强的Faster R-CNN检测模型进行训练；
S401、设学习率为0.001，优化器使用SGD，批训练数据大小设置为4，训练轮数设为30，在ImageNet数据集上使用骨干网络ResNet-101预训练得到的分类模型参数，作为注意力增强的Faster R-CNN检测模型的初始化参数；
S402、将步骤S1获得的训练样本输入到注意力增强的Faster R-CNN检测模型中，使用优化器SGD优化步骤S3中的整体损失函数L，更新权重参数，当训练轮数达到30时，得到训练好的注意力增强的Faster R-CNN检测模型。
S5、将步骤S1划分的测试样本输入到包含权重参数的注意力增强的Faster R-CNN检测模型中，预测输出测试样本中目标边界框位置，目标类别及目标的置信度分数。
本发明再一个实施例中，提供一种无源干扰场景下的SAR图像舰船目标检测系统，该系统能够用于实现上述无源干扰场景下的SAR图像舰船目标检测方法，具体的，该无源干扰场景下的SAR图像舰船目标检测系统包括样本模块、检测模型模块、损失函数模块、训练模块以及检测模块。
其中，样本模块，构建无源干扰条件下的SAR图像舰船目标检测数据集，将无源干扰条件下的SAR图像舰船目标检测数据集划分为训练样本和测试样本；
检测模型模块，构建注意力增强的Faster R-CNN检测模型；
损失函数模块，对检测模型模块构建的注意力增强的Faster R-CNN检测模型的感兴趣区域分类任务、感兴趣区域位置回归任务、目标分类任务、目标位置回归任务和目标区域显著性检测任务的整体损失函数L进行构建；
训练模块，利用样本模块划分的训练样本对损失函数模块构建整体损失函数L后的注意力增强的Faster R-CNN检测模型进行训练；
检测模块，将样本模块划分的测试样本输入训练模块训练后包含权重参数的注意力增强的Faster R-CNN检测模型中，预测输出测试样本中目标边界框位置，目标类别及目标的置信度分数，完成SAR图像舰船目标检测。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于无源干扰场景下的SAR图像舰船目标检测方法的操作，包括：
构建无源干扰条件下的SAR图像舰船目标检测数据集，将无源干扰条件下的SAR图像舰船目标检测数据集划分为训练样本和测试样本；构建注意力增强的Faster R-CNN检测模型；对注意力增强的Faster R-CNN检测模型的感兴趣区域分类任务、感兴趣区域位置回归任务、目标分类任务、目标位置回归任务和目标区域显著性检测任务的整体损失函数L进行构建；利用训练样本对添加整体损失函数L后的注意力增强的Faster R-CNN检测模型进行训练；将测试样本输入训练后包含权重参数的注意力增强的Faster R-CNN检测模型中，预测输出测试样本中目标边界框位置，目标类别及目标的置信度分数，完成SAR图像舰船目标检测。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关无源干扰场景下的SAR图像舰船目标检测方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
构建无源干扰条件下的SAR图像舰船目标检测数据集，将无源干扰条件下的SAR图像舰船目标检测数据集划分为训练样本和测试样本；构建注意力增强的Faster R-CNN检测模型；对注意力增强的Faster R-CNN检测模型的感兴趣区域分类任务、感兴趣区域位置回归任务、目标分类任务、目标位置回归任务和目标区域显著性检测任务的整体损失函数L进行构建；利用训练样本对添加整体损失函数L后的注意力增强的Faster R-CNN检测模型进行训练；将测试样本输入训练后包含权重参数的注意力增强的Faster R-CNN检测模型中，预测输出测试样本中目标边界框位置，目标类别及目标的置信度分数，完成SAR图像舰船目标检测。
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
本发明的效果可通过以下仿真实验进一步说明
仿真条件
仿真基于公开且被广泛应用于SAR图像舰船目标检测的SSDD数据集构建了无源干扰(箔条云)环境下的SAR图像舰船目标检测数据集，并对注意力增强的Faster R-CNN检测模型的训练和测试，所用的基准方法为Faster R-CNN检测模型。
仿真所用的处理器为
Xeon(R)CPU E5-2630 v4@2.20GHz×40，内存为64.00GB，GPU为8G的GeForce GTX1080，仿真平台为Ubuntu16.04操作系统，使用Pytorch深度学习框架，采用Python语言实现。
仿真内容及分析
分别利用本发明和基准方法(Faster R-CNN检测模型)，对图2进行舰船检测算法仿真，仿真结果如图3所示，其中，图3(a)为用现有技术仿真结果图，图3(b)为本发明仿真结果图。
从图3(a)的结果看出，基准方法的仿真结果中存在误检现象，将无源干扰(箔条云)检测为舰船，从图3(b)，本发明可以避免无源干扰的影响，准确的检测出舰船目标。
仿真实验结果对比及分析
为验证本发明的有效性，，使用本发明和基准模型在SSDD测试数据集上的舰船目标进行检测仿真，对其检测的评价指标数值结果作对比，如表1所示。
表1本发明和基准模型检测的评价指标数值结果对比
根据表1本发明和基准模型的评价指标数值结果对比中，可以看出本发明的召回率由88.8提高到93.7％，准确度由84.7％提高到91.2％，衡量目检测性能的平均精度由84.6％提高到91.9％。
综上所述，本发明一种无源干扰场景下的SAR图像舰船目标检测方法及系统，在现有Faster R-CNN检测模型的基础上，引入注意力增强模块，从特征层面来加强目标区域特征的判别性，抑制无源干扰噪声区域的影响，从而提升无源干扰场景下SAR图像舰船目标检测精度。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (7)
1.一种无源干扰场景下的SAR图像舰船目标检测方法，其特征在于，包括以下步骤：
S1、构建无源干扰条件下的SAR图像舰船目标检测数据集，将无源干扰条件下的SAR图像舰船目标检测数据集划分为训练样本和测试样本；
S2、构建注意力增强的Faster R-CNN检测模型；
S3、对步骤S2构建的注意力增强的Faster R-CNN检测模型的感兴趣区域分类任务、感兴趣区域位置回归任务、目标分类任务、目标位置回归任务和目标区域显著性检测任务的整体损失函数L进行构建，具体为：
根据感兴趣区域分类任务的损失函数Lrpn_cls，感兴趣区域位置回归任务的损失函数Lrpn_reg，目标分类任务的损失函数Lrcnn_cls，目标位置回归任务的损失函数Lrcnn_reg和目标区域显著性检测任务的损失函数Latt确定注意力增强的Faster R-CNN检测模型的整体损失函数L，整体损失函数L为：
L＝Lrpn_cls+Lrpn_reg+Lrcnn_cls+Lrcnn_reg+Latt
感兴趣区域分类任务的损失函数Lrpn_cls为：
其中，
为第i个锚框对应的真实标签，
为第i个锚框属于前景的概率；
感兴趣区域位置回归任务的损失函数Lrpn_reg为：
Lrpn_reg＝SmoothL1(x)，
其中，SmoothL1(x)表示平滑L1平方损失函数；
目标分类任务的损失函数Lrcnn_cls为：
其中，pi(c)第i个锚框对应的真实标签，
第i个锚框属于类别c的分类概率；
目标位置回归任务的损失函数Lrcnn_reg为：
Lrcnn_reg＝SmoothL1(x)，
其中，SmoothL1(x)表示平滑L1平方损失函数；
目标区域显著性检测任务的损失函数Latt为：
S4、利用步骤S1划分的训练样本对步骤S3构建整体损失函数L后的注意力增强的FasterR-CNN检测模型进行训练；
S5、将步骤S1划分的测试样本输入步骤S4训练后包含权重参数的注意力增强的FasterR-CNN检测模型中，预测输出测试样本中目标边界框位置，目标类别及目标的置信度分数，完成SAR图像舰船目标检测。
2.根据权利要求1所述的方法，其特征在于，步骤S1中，将无源干扰条件下的SAR图像舰船目标检测数据集中的75％作为训练样本，剩余的25％作为测试样本。
3.根据权利要求1所述的方法，其特征在于，步骤S2具体为：
S201、从Faster R-CNN检测模型的特征金字塔网络中获得5个金字塔特征图P2，P3，P4，P5，P6；
S202、将步骤S201获得的5个金字塔特征图P2，P3，P4，P5，P6的空间分辨率统一到与金字塔特征图P3相同的空间分辨率，并对其进行逐元素特征融合得到空间标准化特征图Fs；
S203、构建注意力增强模块，得到注意力增强的特征图Fa；
S204、将注意力增强的特征图Fa恢复到与金字塔特征图P2，P3，P4，P5，P6对应的空间分辨率，并与金字塔特征图P2，P3，P4，P5，P6进行特征融合，得到注意力增强的金字塔特征图P2 a，P3 a，P4 a，P5 a，P6 a；
S205、将步骤S204得到的注意力增强的金字塔特征图P2 a，P3 a，P4 a，P5 a，P6 a代替原始的金字塔特征图P2，P3，P4，P5，P6，输入到后续的感兴趣区域生成模块和目标检测模块，完成注意力增强的Faster R-CNN检测模型的构建。
4.根据权利要求3所述的方法，其特征在于，步骤S202具体为：
将金字塔特征图P2经过一个2倍的下采样层得到与金字塔特征图P3空间分辨率相同的特征图P′2，将金字塔特征图P4经过一个2倍的上采样层得到与金字塔特征图P3空间分辨率相同的特征图P′4，将金字塔特征图P5经过一个4倍的上采样层得到与金字塔特征图P3空间分辨率相同的特征图P′5，将金字塔特征图P6经过一个8倍的上采样层得到与金字塔特征图P3空间分辨率相同的特征图P′6；将采样得到的四个特征图P′2，P′4，P′5，P′6以及金字塔特征图P3进行逐元素的相加并求和，获得包含低层级细节信息和高层级语义信息的空间标准化特征图Fs。
5.根据权利要求3所述的方法，其特征在于，步骤S203具体为：
构建2个注意力增强分支，其中一个是通道注意力增强分支，第二个是空间注意力增强分支；对空间标准化特征图Fs采取并列的2个分支操作：将第一个分支依次经过全局平均池化层，第一个全连接层，ReLU激活层，第二个全连接层和Sigmoid激活层，得到包含通道注意力关系的特征图
将第二个分支依次经过第一个步长为1的1×1卷积层，ReLU激活层和第二个步长为1的1×1卷积层，得到目标区域显著性特征图；目标区域显著性特征图一方面作为目标区域显著性检测任务的输入，经过一个Softmax激活层，得到空间注意力关系特征图
将通道注意力关系的特征图
和空间注意力关系特征图
分别与空间标准化特征图Fs进行通道维度和空间维度的特征相乘融合，得到注意力增强的特征图Fa。
6.根据权利要求1所述的方法，其特征在于，步骤S4具体为：
设置学习率，批训练数据大小和训练轮数，在ImageNet数据集上使用骨干网络ResNet-101预训练得到的分类模型参数，作为注意力增强的Faster R-CNN检测模型的初始化参数；将步骤S1获得的训练样本输入到注意力增强的Faster R-CNN检测模型中，使用优化器SGD优化步骤S3中的整体损失函数L，更新权重参数，当训练轮数达到设定值时，得到训练好的注意力增强的Faster R-CNN检测模型。
7.一种无源干扰场景下的SAR图像舰船目标检测系统，其特征在于，包括：
样本模块，构建无源干扰条件下的SAR图像舰船目标检测数据集，将无源干扰条件下的SAR图像舰船目标检测数据集划分为训练样本和测试样本；
检测模型模块，构建注意力增强的Faster R-CNN检测模型；
损失函数模块，对检测模型模块构建的注意力增强的Faster R-CNN检测模型的感兴趣区域分类任务、感兴趣区域位置回归任务、目标分类任务、目标位置回归任务和目标区域显著性检测任务的整体损失函数L进行构建，具体为：
根据感兴趣区域分类任务的损失函数Lrpn_cls，感兴趣区域位置回归任务的损失函数Lrpn_reg，目标分类任务的损失函数Lrcnn_cls，目标位置回归任务的损失函数Lrcnn_reg和目标区域显著性检测任务的损失函数Latt确定注意力增强的Faster R-CNN检测模型的整体损失函数L，整体损失函数L为：
L＝Lrpn_cls+Lrpn_reg+Lrcnn_cls+Lrcnn_reg+Latt
感兴趣区域分类任务的损失函数Lrpn_cls为：
其中，
为第i个锚框对应的真实标签，
为第i个锚框属于前景的概率；
感兴趣区域位置回归任务的损失函数Lrpn_reg为：
Lrpn_reg＝SmoothL1(x)，
其中，SmoothL1(x)表示平滑L1平方损失函数；
目标分类任务的损失函数Lrcnn_cls为：
其中，pi(c)第i个锚框对应的真实标签，
第i个锚框属于类别c的分类概率；
目标位置回归任务的损失函数Lrcnn_reg为：
Lrcnn_reg＝SmoothL1(x)，
其中，SmoothL1(x)表示平滑L1平方损失函数；
目标区域显著性检测任务的损失函数Latt为：
训练模块，利用样本模块划分的训练样本对损失函数模块构建整体损失函数L后的注意力增强的Faster R-CNN检测模型进行训练；
检测模块，将样本模块划分的测试样本输入训练模块训练后包含权重参数的注意力增强的Faster R-CNN检测模型中，预测输出测试样本中目标边界框位置，目标类别及目标的置信度分数，完成SAR图像舰船目标检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110776143.1A CN113469088B (zh) | 2021-07-08 | 2021-07-08 | 一种无源干扰场景下的sar图像舰船目标检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110776143.1A CN113469088B (zh) | 2021-07-08 | 2021-07-08 | 一种无源干扰场景下的sar图像舰船目标检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113469088A CN113469088A (zh) | 2021-10-01 |
| CN113469088B true CN113469088B (zh) | 2023-05-12 |
Family
ID=77879292
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110776143.1A Active CN113469088B (zh) | 2021-07-08 | 2021-07-08 | 一种无源干扰场景下的sar图像舰船目标检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113469088B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113902975B (zh) * | 2021-10-08 | 2023-05-05 | 电子科技大学 | 一种用于sar舰船检测的场景感知数据增强方法 |
| CN114022778B (zh) * | 2021-10-25 | 2023-04-07 | 电子科技大学 | 一种基于显著性cnn的sar靠岸船只检测方法 |
| CN114092748B (zh) * | 2021-11-30 | 2022-06-14 | 中国科学院空天信息创新研究院 | Sar无意识干扰检测方法、装置、设备和介质 |
| CN114255385B (zh) * | 2021-12-17 | 2022-10-04 | 中国人民解放军战略支援部队信息工程大学 | 基于感知向量的光学遥感图像舰船检测方法及系统 |
| CN116503737B (zh) * | 2023-05-10 | 2024-01-09 | 中国人民解放军61646部队 | 基于空间光学图像的船舶检测方法和装置 |
| CN116665095B (zh) * | 2023-05-18 | 2023-12-22 | 中国科学院空间应用工程与技术中心 | 一种运动舰船检测方法、系统、存储介质和电子设备 |
| CN117741070B (zh) * | 2024-02-21 | 2024-05-03 | 山东多瑞电子科技有限公司 | 基于深度学习的气体安全智能检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960143A (zh) * | 2018-07-04 | 2018-12-07 | 北京航空航天大学 | 一种高分辨率可见光遥感图像中的舰船检测深度学习方法 |
| CN112668440A (zh) * | 2020-12-24 | 2021-04-16 | 西安电子科技大学 | 基于平衡样本回归损失的sar舰船目标检测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897714B (zh) * | 2017-03-23 | 2020-01-14 | 北京大学深圳研究生院 | 一种基于卷积神经网络的视频动作检测方法 |
| CN110084210B (zh) * | 2019-04-30 | 2022-03-29 | 电子科技大学 | 基于注意力金字塔网络的sar图像多尺度舰船检测方法 |
| CN110287927B (zh) * | 2019-07-01 | 2021-07-27 | 西安电子科技大学 | 基于深度多尺度和上下文学习的遥感影像目标检测方法 |
| CN110647794B (zh) * | 2019-07-12 | 2023-01-03 | 五邑大学 | 基于注意力机制的多尺度sar图像识别方法及装置 |
-
2021
- 2021-07-08 CN CN202110776143.1A patent/CN113469088B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960143A (zh) * | 2018-07-04 | 2018-12-07 | 北京航空航天大学 | 一种高分辨率可见光遥感图像中的舰船检测深度学习方法 |
| CN112668440A (zh) * | 2020-12-24 | 2021-04-16 | 西安电子科技大学 | 基于平衡样本回归损失的sar舰船目标检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113469088A (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113469088B (zh) | 一种无源干扰场景下的sar图像舰船目标检测方法及系统 | |
| CN112990432B (zh) | 目标识别模型训练方法、装置及电子设备 | |
| Wang et al. | Multiscale visual attention networks for object detection in VHR remote sensing images | |
| CN109522942B (zh) | 一种图像分类方法、装置、终端设备和存储介质 | |
| Tian et al. | A dual neural network for object detection in UAV images | |
| CN111860398B (zh) | 遥感图像目标检测方法、系统及终端设备 | |
| CN111062413A (zh) | 一种道路目标检测方法、装置、电子设备及存储介质 | |
| EP3859560A2 (en) | Method and apparatus for visual question answering, computer device and medium | |
| Wang et al. | FE-YOLOv5: Feature enhancement network based on YOLOv5 for small object detection | |
| CN111027576B (zh) | 基于协同显著性生成式对抗网络的协同显著性检测方法 | |
| CN110569738A (zh) | 基于密集连接网络的自然场景文本检测方法、设备和介质 | |
| CN106548192A (zh) | 基于神经网络的图像处理方法、装置和电子设备 | |
| US20200065664A1 (en) | System and method of measuring the robustness of a deep neural network | |
| US11948078B2 (en) | Joint representation learning from images and text | |
| CN111694954B (zh) | 图像分类方法、装置和电子设备 | |
| CN111444807A (zh) | 目标检测方法、装置、电子设备和计算机可读介质 | |
| CN111401309B (zh) | 基于小波变换的cnn训练和遥感图像目标识别方法 | |
| Fan et al. | A novel sonar target detection and classification algorithm | |
| Yildirim et al. | Ship detection in optical remote sensing images using YOLOv4 and Tiny YOLOv4 | |
| CN114067294A (zh) | 一种基于文本特征融合的细粒度车辆识别系统及方法 | |
| CN116310850B (zh) | 基于改进型RetinaNet的遥感图像目标检测方法 | |
| CN110889290B (zh) | 文本编码方法和设备、文本编码有效性检验方法和设备 | |
| CN111832463A (zh) | 一种基于深度学习的交通标志检测方法 | |
| CN116543295A (zh) | 一种基于退化图像增强的轻量化水下目标检测方法及系统 | |
| CN114663760A (zh) | 模型训练的方法、目标检测方法、存储介质及计算设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |