CN113569720B - 一种舰船检测方法、系统及装置 - Google Patents
一种舰船检测方法、系统及装置 Download PDFInfo
- Publication number
- CN113569720B CN113569720B CN202110845140.9A CN202110845140A CN113569720B CN 113569720 B CN113569720 B CN 113569720B CN 202110845140 A CN202110845140 A CN 202110845140A CN 113569720 B CN113569720 B CN 113569720B
- Authority
- CN
- China
- Prior art keywords
- feature
- ship
- network
- detection
- layer output
- 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 151
- 238000000605 extraction Methods 0.000 claims abstract description 44
- 230000007246 mechanism Effects 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims description 45
- 238000011176 pooling Methods 0.000 claims description 30
- 238000010276 construction Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种舰船检测方法、系统及装置,所述方法包括获取待测试图片;将所述待测试图片输入舰船检测模型中,得到舰船位置的检测结果;其中,所述舰船检测模型是训练好的无锚框一阶段检测器;所述无锚框一阶段检测器的特征提取部分加入了注意力机制。本发明通过在特征提取网络中引入注意力机制,平衡复杂背景与散射的影响,有效提高了多尺度舰船检测的准确程度。
Description
技术领域
本发明涉及机器视觉技术领域,特别是涉及一种舰船检测方法、系统及装置。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)舰船识别在军事和民用领域中具有重要的应用价值,也是遥感图片识别的研究的热点。由于观测距离较远舰船尺度一般较小,舰船的表面形态形成巨大差异且容易形成近海聚集远海稀疏现象,给高分辨率舰船检测带来挑战。且由于海陆复杂的背景与散射噪声干扰,检测器很难准确地分辨出舰船。
现有技术中传统舰船检测算法通过人为设定目标特征,实现比较困难。例如恒虚警率算法,该类方法根据预先建立的杂波统计模型来确定检测阈值,模型高度依赖人工设定的特征,容易受到天气、光照、噪声的影响,而且存在模型效率低泛化能力弱等缺点。近年来随着深度卷积神经网络快速发展,越来越多的研究人员使用CNN进行SAR舰船检测。CNN具有自动提取特征能力摆脱人为构造特征的缺点的特点,在SAR舰船识别领域取得重大进展,成为目前主流的识别算法。CNN在计算机视觉领域取得了非常巨大的成功,无论是在目标检测还是语义分割还是图片分类都能看到CNN的广泛应用。
由于SAR特殊的成像机制,SAR图片与日常自然界的照片有着巨大的差异,这些差异体现在以下三点:
(1)复杂的地物背景影响。
(2)由于观测距离较远,舰船在SAR图片上通常较小,船体形态容易变形,在近海形成聚集,远海稀疏的特点。
(3)SAR图像中的每个像素表示的相干加法来自相应分辨率单元的散射体,来自SAR的散射信号增加了对每个散射波形的相对相位的破坏性分布,这种现象被称为散斑噪声。
基于此,如果直接将检测器用于SAR舰船检测往往不能取得很好地效果,导致舰船检测的准确性较差。
发明内容
为了克服现有技术的不足,本发明的目的是提供一种舰船检测方法、系统及装置,能够提高舰船检测的准确度。
为实现上述目的,本发明提供了如下方案:
一种舰船检测方法,包括:
获取待测试图片;
将所述待测试图片输入舰船检测模型中,得到舰船位置的检测结果;
其中,所述舰船检测模型是训练好的无锚框一阶段检测器;所述无锚框一阶段检测器中的特征提取部分加入了注意力机制。
优选地,所述舰船检测模型的构建方法为:
构建特征提取网络;所述特征提取网络的结构为ResNet-50;所述特征提取网络包括5层输出网络;
将第二层输出网络、第三层输出网络和第四层输出网络中加入所述注意力机制,得到所述特征提取部分;所述注意力机制用于将各个输出网络中的特征图进行池化处理;
基于混合多项式选择与因式分解方法构建特征融合网络;所述特征融合网络的输入端分别与所述第三层输出网络、所述第四层输出网络和第五层输出网络连接;所述特征融合网络为所述特征融合部分;所述特征融合部分用于将各个所述特征图进行融合,得到舰船总特征;
构建检测网络;所述检测网络的输入端与所述特征融合网络的输出端连接;所述检测网络为所述检测部分;所述检测部分用于根据所述舰船总特征得到舰船位置的检测结果;
根据训练样本图片对所述特征提取网络进行训练,得到所述舰船检测模型。
优选地,所述将各个输出网络中的特征图进行池化处理,包括:
将所述特征图沿着两个方向依次进行平均池化操作和最大池化操作,得到两对方向感知的初始特征图;
对所述初始特征图依次进行拼接和卷积,得到中间特征;
对所述中间特征进行分解,得到两个特征向量;
根据所述特征向量得到注意力输出,并将所述注意力输出分别添加到所述第二层输出网络、所述第三层输出网络和所述第四层输出网络中。
优选地,所述根据所述舰船总特征得到舰船位置的检测结果,包括:
对所述舰船总特征进行三次卷积,得到预测物体的中心点置信度、宽度、高度和中心点偏移量;
根据所述中心点置信度、所述宽度、所述高度和所述中心点偏移量确定所述检测结果;所述检测结果包括预测框的位置和预测概率。
一种舰船检测系统,包括:
获取模块,用于获取待测试图片;
检测模块,用于将所述待测试图片输入舰船检测模型中,得到舰船位置的检测结果;其中,所述舰船检测模型是训练好的无锚框一阶段检测器;所述无锚框一阶段检测器中的特征提取部分加入了注意力机制。
优选地,还包括构建模块;所述构建模块包括:
第一构建单元,用于构建特征提取网络;所述特征提取网络的结构为ResNet-50;所述特征提取网络包括5层输出网络;
引入单元,用于将第二层输出网络、第三层输出网络和第四层输出网络中加入所述注意力机制,得到所述特征提取部分;所述注意力机制用于将各个所述输出网络中的特征图进行池化处理;
第二构建单元,用于基于混合多项式选择与因式分解方法构建特征融合网络;所述特征融合网络的输入端分别与所述第三层输出网络、所述第四层输出网络和第五层输出网络连接;所述特征融合网络为所述特征融合部分;所述特征融合部分用于将各个所述特征图进行融合,得到舰船总特征;
第三构建单元,用于构建检测网络;所述检测网络的输入端与所述特征融合网络的输出端连接;所述检测网络为所述检测部分;所述检测部分用于根据所述舰船总特征得到舰船位置的检测结果;
训练单元,用于根据训练样本图片对所述无锚框一阶段检测器进行训练,得到所述舰船检测模型。
优选地,所述引入单元,包括:
池化子单元,用于将所述特征图沿着两个方向依次进行平均池化操作和最大池化操作,得到两对方向感知的初始特征图;
拼接子单元,用于对所述初始特征图依次进行拼接和卷积,得到中间特征;
分解子单元,用于对所述中间特征进行分解,得到两个特征向量;
添加子单元,用于根据所述特征向量得到注意力输出,并将所述注意力输出分别添加到所述第二层输出网络、所述第三层输出网络和所述第四层输出网络中。
优选地,所述第三构建单元,包括:
卷积子单元,用于对所述舰船总特征进行三次卷积,得到预测物体的中心点置信度、宽度、高度和中心点偏移量;
确定子单元,用于根据所述中心点置信度、所述宽度、所述高度和所述中心点偏移量确定所述检测结果;所述检测结果包括预测框的位置和预测概率。
一种舰船检测设备,包括处理器和存储器,所述处理器和存储器相互连接,其中,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,所述处理器配置用于调用所述程序指令,执行上述舰船检测方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有可执行计算机程序,所述计算机程序运行时可实现上述舰船检测方法。
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:
本发明提供了一种舰船检测方法、系统及装置,所述方法包括获取待测试图片;将所述待测试图片输入舰船检测模型中,得到舰船位置的检测结果;其中,所述舰船检测模型是训练好的无锚框一阶段检测器;所述无锚框一阶段检测器的特征提取部分加入了注意力机制。本发明通过在特征提取网络中引入注意力机制,平衡复杂背景与散射的影响,有效的提高了多尺度舰船检测的准确程度。
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为本发明提供的实施例中舰船检测方法的流程图;
图2为本发明提供的实施例中模型评价对比示意图;
图3为本发明提供的实施例中舰船检测系统的模块连接图。
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舰船检测方法、系统及装置,能够提高舰船检测的准确度。
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。
图1为本发明提供的实施例中舰船检测方法的流程图,如图1所示,本实施例中提供了一种舰船检测方法,包括:
步骤100:获取待测试图片。
步骤200:将所述待测试图片输入舰船检测模型中,得到舰船位置的检测结果。
其中,所述舰船检测模型是训练好的无锚框一阶段检测器;所述无锚框一阶段检测器中的特征提取部分加入了注意力机制。
可选地,为了解决SAR舰船识别中存在问题,本实施例提出MRFA舰船检测器,MRFA是一个基于Centernet构建的无锚框一阶段检测器。本实施例可以将整个网络分为三个部分:backbone加注意力机制的特征提取部分DCA,特征融合部分MSF,检测部分head。
优选地,所述舰船检测模型的构建方法为:
构建特征提取网络;所述特征提取网络的结构为ResNet-50;所述特征提取网络包括5层输出网络。
将第二层输出网络、第三层输出网络和第四层输出网络中加入所述注意力机制,得到所述特征提取部分;所述注意力机制用于将各个输出网络中的特征图进行池化处理。
基于混合多项式选择与因式分解方法构建特征融合网络;所述特征融合网络的输入端分别与所述第三层输出网络、所述第四层输出网络和第五层输出网络连接;所述特征融合网络为所述特征融合部分;所述特征融合部分用于将各个所述特征图进行融合,得到舰船总特征。
构建检测网络;所述检测网络的输入端与所述特征融合网络的输出端连接;所述检测网络为所述检测部分;所述检测部分用于根据所述舰船总特征得到舰船位置的检测结果;
根据训练样本图片对所述特征提取网络进行训练,得到所述舰船检测模型。
具体的,复杂的背景与岛屿等散射噪声影响舰船检测效果。CA注意力将通道注意力分解为两个1维特征编码过程,分别沿2个空间方向聚合特征。这样,可以沿一个空间方向捕获远程依赖关系,同时可以沿另一空间方向保留精确的位置信息。这个过程可以简单定义为:
其中,c表示通道索引,ZC表示全局平均池化,H与W为特征图的高和宽,表示高度为h的第c通道沿着水平方向平均池化输出,/>表示宽度为w的第c通道沿竖直方向平均池化输出,CA注意力通过将全局平均池化ZC分解两个方向上分别池化得到一对方向感知的特征图,然后对特征图进行拼接与卷积操作,过程可以概括为以下:
f=δ(F1([zh,zw]));
其中,[]表示特征图拼接操作,F1表示通道数为C/r的1×1卷积,r为通道压缩率,C为特征图拼接后通道数量。δ为非线性激活函数,f为中间特征且
接下来将f拆分为2个单独向量,利用1×1卷积恢复通道数,方法具体如下:
gh=σ(Fh(fh))
gw=σ(Fw(fw))
其中,和/>为f分解得到的两个向量。Fh和Fw是两个1×1卷积,其分别将fh和fw变换为具有相同通道数C的张量。σ是sigmoid激活函数,gh∈RC×H×1和gw∈RC ×W×1分别为两个注意力权值。最后注意力输出可以总结为:
CA通过Avgpooling在两个方向上分别聚合信息,然后将生成的特征图分别编码为一对方向感知和位置敏感的attention map,可以将其互补地应用于输入特征图,以增强关注对象的表示。但是Maxpooling信息同样重要,因此本实施例提出了将Avg与Max池化结合的注意力机制DCA。
DCA有两部分CA注意力组合而成,本实施例将利用Avgpooling聚合信息记为ACA,利用Maxpooling聚合信息记为MCA,DCA=[ACA,MCA]。其中MCA与ACA区别在于聚合信息方式,MCA利用Maxpooling聚合信息,过程可以简单概括如下:
H与W为特征图的高和宽,表示高度为h的第c通道沿着水平方向的最大池化输出,/>表示宽度为w的第c通道沿竖直方向的最大池化输出。
优选地,所述将各个输出网络中的特征图进行池化处理,包括:
将所述特征图沿着两个方向依次进行平均池化操作和最大池化操作,得到两对方向感知的初始特征图。
对所述初始特征图依次进行拼接和卷积,得到中间特征。
对所述中间特征进行分解,得到两个特征向量。
根据所述特征向量得到注意力输出,并将所述注意力输出分别添加到所述第二层输出网络、所述第三层输出网络和所述第四层输出网络中。
具体的,以ResNet-50作为骨干网络,根据不同层特征图的大小分为五个阶段。在自下而上的路径中,最后四个阶段的输出被定义为{C2、C3、C4,C5}。{C2、C3、C4}中间加入DCA注意力机制,这个过程被总结为:
在这一步中获得了加入DCA注意力的特征层{C2、C3、C4}。
本实施例中,考虑由于SAR图片观测距离远,舰船目标尺寸通常较小,且表明形态有着巨大差异,容易在近海处形成舰船聚集现象。Centernet检测器在日常自然界图片目标检测中取得了很高的检测效果,由于没有NMS操作检测,时间相对于其他检测器有着很大的优势。Centemet利用backbone最后一层特征层反卷积生成一张高分辨率特征图,然后利用这一张特征图进行分类与回归。在SAR舰船图片中舰船尺寸很小且密集排列,许多船体像素比较模糊,在深层次网络如果仅仅利用最后一张特征层生成高分辨特征图,容易丢失舰船空间位置信息,为了解决这个问题本实施例提出混合多项式选择与因式分解方法,即MSF算法模块,用于加强舰船特征。
可选地,在所述特征融合部分之前已经获得了特征加强后的三个特征层{C3,C4,C5},centernet仅仅利用C5特征层生成一张高分辨率特征图,MSF模块利用全部三个特征层生成三张大小相同特征图,过程可以被定义为:
Pi=conTran(Ci),i=2,3,4;
P=P1+P2+P3。
其中,Ci为第一步中得到的第i个特征层的舰船特征,conTran()为反卷积操作,Pi为Ci反卷积生成的高分辨率特征图,P为多层不同舰船特征加强融合后总特征。通过MSF模块特征融合后,可以显著的加强对舰船特征提取,减少因复杂背景所造成的识别干扰,提高模型泛化能力。
通过上述步骤,获得了融合后的舰船总特征P。
优选地,所述根据所述舰船总特征得到舰船位置的检测结果,包括:
对所述舰船总特征进行三次卷积,得到预测物体的中心点置信度、宽度、高度和中心点偏移量;
根据所述中心点置信度、所述宽度、所述高度和所述中心点偏移量确定所述检测结果;所述检测结果包括预测框的位置和预测概率。
可选地,获得融合后总特征P开始利用head部分用于舰船分类与回归任务。分别用3次卷积对特征P进行卷积获得heatmap、wh、offset。heatmap为预测物体在特征图中心点的置信度值/>wh为预测物体宽高/> offset为预测舰船中心点的偏移量最后本实施例得到舰船预测框的左上角与右下角坐标被定义为:
由于获得了舰船检测框在图片中左上角与右下角的两个坐标和概率,可以精准的定位舰船在图片中的位置与检测到的物体是舰船的概率。
可选地,所述将所述待测试图片输入舰船检测模型中,得到舰船位置的检测结果之后,还包括:
对所述舰船检测模型进行评价。
具体的,所述对所述舰船检测模型进行评价,包括:
根据所述待测试图片中的中真实的舰船位置信息与所述检测结果进行对比,得到精确率、召回率和F1分数;所述精确率为成功预测出的舰船占预测为舰船的比例;所述召回率为成功预测出的舰船占实际舰船总数的比例;所述F1分数为所述精确率和所述召回率之间的平衡度。
计算所述舰船检测模型的AP值。
根据所述精确率、所述召回率、所述F1分数和所述AP值对所述舰船检测模型进行评价。
具体的预测时,将测试图片输入训练好的模型,得到舰船位置的检测结果,开始和数据集中真实的舰船位置信息进行对比,统计精确率(Precision)、召回率(Recall)、F1_Score和AP指标。
上述四个指标用于对模型预测出的舰船位置信息是否准确进行评价。如果模型预测的越准指标就越高。
其中精确率、召回率、F1_Score和AUC指标分别表示:
精确率(Precision):成功预测出的舰船占预测为舰船的比例。
召回率(Recall):成功预测出的舰船占实际舰船总数的比例。
F1_Score:精确率和召回率两个指标之间的平衡。F1_Score越高,模型就越好。
AP:AP值越高,说明该模型性能越好。
图2为本发明提供的实施例中模型评价对比示意图,如图2所示,将MRFA和以下的一阶段、二阶段检测器模型进行比较(1)yolo3,是目前应用最广的人物识别检测器。(2)ssd是经典的单阶段目标检测模型之一。(3)Retinanet使用focal loss能够很好地平衡正负样本,是目前使用最多的loss之一。(4)Faster-Rcnn是经典的二阶段检测算法。(5)EfficientDet[40]是谷歌提出的适应不同约束条件,同时满足高精度和高效率检测器。
在图2中可以看出:(1)Yolo3在Precision、recall、f1、AP的表现都落后MRFA模型,这可能因为Yolov3在复杂背景与小目标检测中效果不佳。(2)SSD512在Recall取得最好结果,可能输入图片变大使得舰船尺寸放大且在大量锚框覆盖下,故取得较好的Recall。(3)Retinane的Precision、AP分别低于MRFA模型2.23%、1.03%,Recall高于MRFA 1.75%。可能是Retinanet采用FPN结构能够更好地召回小舰船目标。(4)Faster-Rcnn的Precision、Recall、F1、AP分别低于MRFA模型18.07%、0.54%、8%、14.21%。由于舰船尺寸小,所以FRCN的锚框的尺寸和比例并不能很好地覆盖小尺寸舰船。(5)EfficientDet在coco数据集中取得了SOTA结果,但是在SAR目标检测并未很好地发挥效果。Precision、F1、AP分别低于MRFA模型4.27%、1%、4.2%。因为SAR图片特征相对于日常图片特征较少,BiFPN特征融合不能很好地融合舰船特征。(6)MRFA取得了最好的Precision、F1和mAP,虽然Recall未能到达最好。是因为MRFA利用注意力机制能更加关注舰船特征,同时利用特征融合加强小目标与浅像素舰船特征。
图3为本发明提供的实施例中舰船检测系统的模块连接图,如图3所示,本实施例还提供一种舰船检测系统,包括:
获取模块,用于获取待测试图片;
检测模块,用于将所述待测试图片输入舰船检测模型中,得到舰船位置的检测结果;其中,所述舰船检测模型是训练好的无锚框一阶段检测器;所述无锚框一阶段检测器中的特征提取部分加入了注意力机制。
优选地,还包括构建模块;所述构建模块包括:
第一构建单元,用于构建特征提取网络;所述特征提取网络的结构为ResNet-50;所述特征提取网络包括5层输出网络;
引入单元,用于将第二层输出网络、第三层输出网络和第四层输出网络中加入所述注意力机制,得到所述特征提取部分;所述注意力机制用于将各个所述输出网络中的特征图进行池化处理;
第二构建单元,用于基于混合多项式选择与因式分解方法构建特征融合网络;所述特征融合网络的输入端分别与所述第三层输出网络、所述第四层输出网络和第五层输出网络连接;所述特征融合网络为所述特征融合部分;所述特征融合部分用于将各个所述特征图进行融合,得到舰船总特征;
第三构建单元,用于构建检测网络;所述检测网络的输入端与所述特征融合网络的输出端连接;所述检测网络为所述检测部分;所述检测部分用于根据所述舰船总特征得到舰船位置的检测结果;
训练单元,用于根据训练样本图片对所述无锚框一阶段检测器进行训练,得到所述舰船检测模型。
优选地,所述引入单元,包括:
池化子单元,用于将所述特征图沿着两个方向依次进行平均池化操作和最大池化操作,得到两对方向感知的初始特征图;
拼接子单元,用于对所述初始特征图依次进行拼接和卷积,得到中间特征;
分解子单元,用于对所述中间特征进行分解,得到两个特征向量;
添加子单元,用于根据所述特征向量得到注意力输出,并将所述注意力输出分别添加到所述第二层输出网络、第三层输出网络和第四层输出网络中。
优选地,所述第三构建单元,包括:
卷积子单元,用于对所述舰船总特征进行三次卷积,得到预测物体的中心点置信度、宽度、高度和中心点偏移量;
确定子单元,用于根据所述中心点置信度、所述宽度、所述高度和所述中心点偏移量确定所述检测结果;所述检测结果包括预测框的位置和预测概率。
本实施例还一种舰船检测设备,包括处理器和存储器,所述处理器和存储器相互连接,其中,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,所述处理器配置用于调用所述程序指令,执行上述舰船检测方法。
本实施例还一种计算机可读存储介质,所述计算机可读存储介质存储有可执行计算机程序,所述计算机程序运行时可实现上述舰船检测方法。
本发明的有益效果如下:
(1)本发明通过在特征提取网络中引入注意力机制,平衡复杂背景与散射的影响,有效的提高了多尺度舰船检测的准确程度。
(2)本发明采用3层特征提取层中加入注意力机制,并将最后3层用作特征图的提取,进一步的提高了检测精度和检测效率。
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 (8)
1.一种舰船检测方法,其特征在于,包括:
获取待测试图片;
将所述待测试图片输入舰船检测模型中,得到舰船位置的检测结果;
其中,所述舰船检测模型是训练好的无锚框一阶段检测器;所述无锚框一阶段检测器中的特征提取部分加入了注意力机制;
所述舰船检测模型的构建方法为:
构建特征提取网络;所述特征提取网络的结构为ResNet-50;所述特征提取网络包括5层输出网络;
将第二层输出网络、第三层输出网络和第四层输出网络中加入所述注意力机制,得到所述特征提取部分;所述注意力机制用于将各个输出网络中的特征图进行池化处理;
基于混合多项式选择与因式分解方法构建特征融合网络;所述特征融合网络的输入端分别与所述第三层输出网络、所述第四层输出网络和第五层输出网络连接;所述特征融合网络为所述特征融合部分;所述特征融合部分用于将各个所述特征图进行融合,得到舰船总特征;
构建检测网络;所述检测网络的输入端与所述特征融合网络的输出端连接;所述检测网络为所述检测部分;所述检测部分用于根据所述舰船总特征得到舰船位置的检测结果;
根据训练样本图片对所述特征提取网络进行训练,得到所述舰船检测模型;
具体的,以ResNet-50作为骨干网络,根据不同层特征图的大小分为五个阶段;在自下而上的路径中,最后四个阶段的输出被定义为{C2、C3、C4、C5};{C2、C3、C4}中间加入DCA注意力机制,这个过程被总结为:
在这一步中获得了加入DCA注意力的特征层{C2、C3、C4};
在所述特征融合部分之前已经获得了特征加强后的三个特征层{C3、C4、C5},centernet利用C5特征层生成一张高分辨率特征图,MSF模块利用全部三个特征层生成三张大小相同特征图,过程被定义为:
Pi=conTran(Ci),i=2,3,4;
P=P1+P2+P3;
其中,Ci为第一步中得到的第i个特征层的舰船特征,conTran()为反卷积操作,Pi为Ci反卷积生成的高分辨率特征图,P为多层不同舰船特征加强融合后总特征;通过MSF模块特征融合后,加强对舰船特征提取,减少因复杂背景所造成的识别干扰,提高模型泛化能力。
2.根据权利要求1所述的舰船检测方法,其特征在于,所述将各个输出网络中的特征图进行池化处理,包括:
将所述特征图沿着两个方向依次进行平均池化操作和最大池化操作,得到两对方向感知的初始特征图;
对所述初始特征图依次进行拼接和卷积,得到中间特征;
对所述中间特征进行分解,得到两个特征向量;
根据所述特征向量得到注意力输出,并将所述注意力输出分别添加到所述第二层输出网络、所述第三层输出网络和所述第四层输出网络中。
3.根据权利要求1所述的舰船检测方法,其特征在于,所述根据所述舰船总特征得到舰船位置的检测结果,包括:
对所述舰船总特征进行三次卷积,得到预测物体的中心点置信度、宽度、高度和中心点偏移量;
根据所述中心点置信度、所述宽度、所述高度和所述中心点偏移量确定所述检测结果;所述检测结果包括预测框的位置和预测概率。
4.一种舰船检测系统,其特征在于,包括:
获取模块,用于获取待测试图片;
检测模块,用于将所述待测试图片输入舰船检测模型中,得到舰船位置的检测结果;其中,所述舰船检测模型是训练好的无锚框一阶段检测器;所述无锚框一阶段检测器中的特征提取部分加入了注意力机制;
所述舰船检测系统还包括构建模块;所述构建模块包括:
第一构建单元,用于构建特征提取网络;所述特征提取网络的结构为ResNet-50;所述特征提取网络包括5层输出网络;
引入单元,用于将第二层输出网络、第三层输出网络和第四层输出网络中加入所述注意力机制,得到所述特征提取部分;所述注意力机制用于将各个所述输出网络中的特征图进行池化处理;
第二构建单元,用于基于混合多项式选择与因式分解方法构建特征融合网络;所述特征融合网络的输入端分别与所述第三层输出网络、所述第四层输出网络和第五层输出网络连接;所述特征融合网络为所述特征融合部分;所述特征融合部分用于将各个所述特征图进行融合,得到舰船总特征;
第三构建单元,用于构建检测网络;所述检测网络的输入端与所述特征融合网络的输出端连接;所述检测网络为所述检测部分;所述检测部分用于根据所述舰船总特征得到舰船位置的检测结果;
训练单元,用于根据训练样本图片对所述无锚框一阶段检测器进行训练,得到所述舰船检测模型;
具体的,以ResNet-50作为骨干网络,根据不同层特征图的大小分为五个阶段;在自下而上的路径中,最后四个阶段的输出被定义为{C2、C3、C4、C5};{C2、C3、C4}中间加入DCA注意力机制,这个过程被总结为:
在这一步中获得了加入DCA注意力的特征层{C2、C3、C4};
在所述特征融合部分之前已经获得了特征加强后的三个特征层{C3、C4、C5},centernet利用C5特征层生成一张高分辨率特征图,MSF模块利用全部三个特征层生成三张大小相同特征图,过程被定义为:
Pi=conTran(Ci),i=2,3,4;
P=P1+P2+P3;
其中,Ci为第一步中得到的第i个特征层的舰船特征,conTran()为反卷积操作,Pi为Ci反卷积生成的高分辨率特征图,P为多层不同舰船特征加强融合后总特征;通过MSF模块特征融合后,加强对舰船特征提取,减少因复杂背景所造成的识别干扰,提高模型泛化能力。
5.根据权利要求4所述的舰船检测系统,其特征在于,所述引入单元,包括:
池化子单元,用于将所述特征图沿着两个方向依次进行平均池化操作和最大池化操作,得到两对方向感知的初始特征图;
拼接子单元,用于对所述初始特征图依次进行拼接和卷积,得到中间特征;
分解子单元,用于对所述中间特征进行分解,得到两个特征向量;
添加子单元,用于根据所述特征向量得到注意力输出,并将所述注意力输出分别添加到所述第二层输出网络、所述第三层输出网络和所述第四层输出网络中。
6.根据权利要求4所述的舰船检测系统,其特征在于,所述第三构建单元,包括:
卷积子单元,用于对所述舰船总特征进行三次卷积,得到预测物体的中心点置信度、宽度、高度和中心点偏移量;
确定子单元,用于根据所述中心点置信度、所述宽度、所述高度和所述中心点偏移量确定所述检测结果;所述检测结果包括预测框的位置和预测概率。
7.一种舰船检测设备,其特征在于,包括处理器和存储器,所述处理器和存储器相互连接,其中,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,所述处理器配置用于调用所述程序指令,执行权利要求1~3中任一项权利要求所述的舰船检测方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有可执行计算机程序,所述计算机程序运行时可实现如权利要求1至3任一项所述的舰船检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110845140.9A CN113569720B (zh) | 2021-07-26 | 2021-07-26 | 一种舰船检测方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110845140.9A CN113569720B (zh) | 2021-07-26 | 2021-07-26 | 一种舰船检测方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113569720A CN113569720A (zh) | 2021-10-29 |
CN113569720B true CN113569720B (zh) | 2024-03-08 |
Family
ID=78167504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110845140.9A Active CN113569720B (zh) | 2021-07-26 | 2021-07-26 | 一种舰船检测方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569720B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641510B (zh) * | 2022-11-18 | 2023-08-08 | 中国人民解放军战略支援部队航天工程大学士官学校 | 一种遥感影像舰船检测识别方法 |
CN117058556B (zh) * | 2023-07-04 | 2024-03-22 | 南京航空航天大学 | 基于自监督蒸馏的边缘引导sar图像舰船检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084210A (zh) * | 2019-04-30 | 2019-08-02 | 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 |
CN111723748A (zh) * | 2020-06-22 | 2020-09-29 | 电子科技大学 | 一种红外遥感图像舰船检测方法 |
CN111738112A (zh) * | 2020-06-10 | 2020-10-02 | 杭州电子科技大学 | 基于深度神经网络和自注意力机制的遥感船舶图像目标检测方法 |
WO2021139069A1 (zh) * | 2020-01-09 | 2021-07-15 | 南京信息工程大学 | 自适应注意力指导机制的一般性目标检测方法 |
-
2021
- 2021-07-26 CN CN202110845140.9A patent/CN113569720B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084210A (zh) * | 2019-04-30 | 2019-08-02 | 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 |
WO2021139069A1 (zh) * | 2020-01-09 | 2021-07-15 | 南京信息工程大学 | 自适应注意力指导机制的一般性目标检测方法 |
CN111738112A (zh) * | 2020-06-10 | 2020-10-02 | 杭州电子科技大学 | 基于深度神经网络和自注意力机制的遥感船舶图像目标检测方法 |
CN111723748A (zh) * | 2020-06-22 | 2020-09-29 | 电子科技大学 | 一种红外遥感图像舰船检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113569720A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230184927A1 (en) | Contextual visual-based sar target detection method and apparatus, and storage medium | |
CN110427981B (zh) | 基于深度神经网络的sar船舶检测系统及方法 | |
CN112395987B (zh) | 基于无监督域适应cnn的sar图像目标检测方法 | |
CN113569720B (zh) | 一种舰船检测方法、系统及装置 | |
Gong et al. | Object detection based on improved YOLOv3-tiny | |
CN111753677B (zh) | 基于特征金字塔结构的多角度遥感船舶图像目标检测方法 | |
CN113420607A (zh) | 无人机多尺度目标检测识别方法 | |
CN111311611B (zh) | 一种实时三维大场景多对象实例分割的方法 | |
CN116824413A (zh) | 一种基于多尺度空洞卷积的航拍图像目标检测方法 | |
CN116363526B (zh) | MROCNet模型构建与多源遥感影像变化检测方法及系统 | |
CN112487900A (zh) | 一种基于特征融合的sar图像舰船目标检测方法 | |
CN116563726A (zh) | 一种基于卷积神经网络的遥感图像舰船目标检测方法 | |
CN114677602A (zh) | 一种基于YOLOv5的前视声呐图像目标检测方法和系统 | |
CN116206214A (zh) | 一种基于轻量化卷积神经网络和双注意力的自动识别滑坡方法、系统、设备及介质 | |
CN113297959A (zh) | 一种基于角点注意力孪生网络的目标跟踪方法及系统 | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
CN116844055A (zh) | 轻量级sar舰船检测方法及系统 | |
CN115410102A (zh) | 基于联合注意力机制的sar图像飞机目标检测方法 | |
CN115100428A (zh) | 一种利用上下文感知的目标检测方法 | |
Zhao et al. | Anchor-free network for multi-class object detection in remote sensing images | |
Wang et al. | Improved SSD Framework for Automatic Subsurface Object Indentification for GPR Data Processing | |
CN117523428B (zh) | 基于飞行器平台的地面目标检测方法和装置 | |
CN117315724B (zh) | 面向开放场景的三维行人检测方法、系统、设备及介质 | |
Xing et al. | Research on Ship Wake Detection Method Based on Composite Mode | |
CN114842001B (zh) | 一种遥感图像检测系统及方法 |
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 |