CN113657196B - Sar图像目标检测方法、装置、电子设备和存储介质 - Google Patents
Sar图像目标检测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113657196B CN113657196B CN202110851991.4A CN202110851991A CN113657196B CN 113657196 B CN113657196 B CN 113657196B CN 202110851991 A CN202110851991 A CN 202110851991A CN 113657196 B CN113657196 B CN 113657196B
- Authority
- CN
- China
- Prior art keywords
- feature
- initial
- prediction
- target
- fusion
- 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 98
- 230000004927 fusion Effects 0.000 claims abstract description 147
- 238000000605 extraction Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000001174 ascending effect Effects 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 230000001629 suppression Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007621 cluster analysis Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011897 real-time detection Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G06F18/21—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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种SAR图像目标检测方法、装置、电子设备和存储介质,通过特征提取模型提取原始SAR图像的多个具有不同分辨率的初始特征,并按照分辨率递增的顺序依次对各初始特征进行融合,使高分辨率特征能够保留目标较为完整的空间信息,高分辨率特征通过多层卷积,使其初步具有高级语义信息,并通过自上而下的融合,将高层语义信息传递至高分辨率特征,得到语义信息与空间信息兼具的高分辨率特征。在得到对应的初始融合特征后,按照分辨率递减的顺序依次对各初始融合特征进行融合,得到多个预测特征图,即通过自下而上的融合,又将目标对象的空间信息传递至低分辨率特征上,提高了目标对象检测的精度,保证了目标对象检测较好的鲁棒性。
Description
技术领域
本发明涉及目标检测技术领域,尤其涉及一种SAR图像目标检测方法、装置、电子设备和存储介质。
背景技术
基于卷积神经网络(Convolutional Neural Network,CNN)的目标检测技术在光学图像上的成功极大地推动了SAR(Synthetic Aperture Radar,合成孔径雷达)图像目标检测方法的研究。基于CNN的检测模型由主干网络、颈部网络和头部网络组成。其中,主干网通过卷积层和池化层从图像中提取特征,所提取的特征被送到颈部网络中进行特征融合和增强。最后,头部网络对每个候选实例进行分类与定位。
通常,在对SAR图像进行目标检测时,存在目标密度大、尺度不同、背景复杂、虚警干扰大、训练样本少等问题,因此传统方法中将恒虚警检测CFAR与Faster R-CNN相结合,将Faster R-CNN获得的低置信度感兴趣区域作为输入,采用恒虚警检测CFAR对疑似虚警区域进行二次判别。此外,与两阶段目标检测网络Faster R-CNN相比,单阶段检测器由于其在速度上的优势也被引入到SAR图像检测中,即采用单阶段目标检测器SSD作为检测网络,通过数据增强和迁移学习解决了小样本训练问题。对于SAR图像中的飞机目标,传统方法还以单阶段检测器YOLO作为检测网络,分别建立飞机目标的整体与部件检测系统,在利用YOLO算法得到目标的整体与部件的检测框后,利用最近邻法将所有的整体与部件检测框进行匹配,最终利用先验知识选择正确的匹配,从而得到飞机检测结果。
然而上述方法中,所选取的经典目标检测模型如Faster R-CNN、YOLO等在实时检测SAR图像中的目标对象(如飞机)时存在明显缺陷:一方面,SAR图像中的目标对象(如飞机)的各个部件在多数情况下呈现分散形态,且目标尺寸较小,而上述检测器采用高层语义特征层进行检测,此类特征含有目标的高级语义信息,但空间分辨率较低,因此目标对象的空间信息被严重损失,从而很大程度上限制了不完整的小目标检测精度。另一方面,两阶段网络由于存在精调阶段,因此在检测速度上无法达到实时的检测效果。近年来,随着YOLO算法的改进,逐渐将FPN、PANet等多尺度融合技术引入至检测方法中,如YOLOV4。YOLOV4采用三种尺度的特征分辨率进行预测,即中分辨率、中低分辨率、低分辨率特征,但其对于尺度不同、目标较小的SAR图像中的飞机目标,仍然在检测精度上表现不佳。
发明内容
本发明提供一种SAR图像目标检测方法、装置、电子设备和存储介质,用以解决现有技术中SAR图像目标检测精度较低且鲁棒性较差的缺陷。
本发明提供一种SAR图像目标检测方法,包括:
将原始SAR图像输入至特征提取模型,得到所述特征提取模型输出的多个预测特征图;各预测特征图的分辨率不同,且所述多个预测特征图中至少包括一个分辨率大于预设值的特征图;
基于预设锚点,以及各预测特征图的分辨率,确定各预测特征图对应的目标对象候选边界框以及各目标对象候选边界框对应的类别置信度;所述类别置信度为各目标对象候选边界框存在目标对象的概率;
基于非极大抑制算法,以及各目标对象候选边界框对应的类别置信度,从所有目标对象候选边界框中确定目标边界框,并将所述目标边界框作为所述SAR图像的目标检测结果;
其中,所述特征提取模型是基于样本SAR图像训练得到的;所述特征提取模型用于提取所述原始SAR图像的多个具有不同分辨率的初始特征,并按照分辨率递增的顺序依次对各初始特征进行融合,得到对应的初始融合特征后,按照分辨率递减的顺序依次对各初始融合特征进行融合,得到多个预测特征图。
根据本发明提供的一种SAR图像目标检测方法,各初始融合特征是基于如下步骤获取的:
第一卷积步骤:按照分辨率递增的顺序,对各初始特征进行排序,并对第一个初始特征进行卷积操作,得到第一初始融合特征;
第一融合步骤:对所述第一初始融合特征进行上采样后,与所述第一初始融合特征对应的下一初始特征进行融合,得到第二初始融合特征;其中,上采样后的第一初始融合特征与所述第一初始融合特征对应的下一初始特征的维度相同;
第一循环步骤:将所述第二初始融合特征作为所述第一初始融合特征,循环执行所述第一融合步骤,直至所述第一初始融合特征不存在对应的下一初始特征。
根据本发明提供的一种SAR图像目标检测方法,各预测特征图是基于如下步骤获取的:
第二卷积步骤:按照分辨率递减的顺序,对各初始融合特征进行排序,并对第一个初始融合特征进行卷积操作,得到第一预测特征图;
第二融合步骤:对所述第一预测特征图进行下采样后,与所述第一预测特征图对应的下一初始融合特征进行融合,得到第二预测特征图;其中,下采样后的第一预测特征图与所述第一预测特征图对应的下一初始融合特征的维度相同;
第二循环步骤:将所述第二预测特征图作为所述第一预测特征图,循环执行所述第二融合步骤,直至所述第一预测特征图不存在对应的下一初始融合特征。
根据本发明提供的一种SAR图像目标检测方法,所述预设锚点是基于如下步骤获取的:
获取多个SAR训练集图像,并确定各SAR训练集图像中目标对象的边界框;
按照预设簇数,对各SAR训练集图像中目标对象的边界框进行尺寸聚类,并将聚类后得到的各簇中心作为所述预设锚点中的各锚点。
根据本发明提供的一种SAR图像目标检测方法,所述基于预设锚点,以及各预测特征图的分辨率,确定各预测特征图对应的目标对象候选边界框以及各目标对象候选边界框对应的类别置信度,包括:
基于所述预设锚点中各锚点的面积,以及各预测特征图的分辨率,从所述预设锚点中获取各预测特征图的目标锚点;
将各目标锚点在对应的预测特征图上进行平移和缩放,确定各预测特征图对应的目标对象候选边界框以及各目标对象候选边界框对应的类别置信度。
根据本发明提供的一种SAR图像目标检测方法,所述基于所述预设锚点中各锚点的面积,以及各预测特征图的分辨率,从所述预设锚点中获取各预测特征图的目标锚点,包括:
将所述预设锚点中各锚点按照面积从小到大排序,基于预测特征图的数量对排序后的各锚点进行平均分组,并将各分组的锚点作为所述目标锚点分配至对应的预测特征图;
其中,预测特征图的分辨率越高,预测特征图对应的目标锚点面积越小。
根据本发明提供的一种SAR图像目标检测方法,各初始特征的尺度分别为所述原始SAR图像尺度的1/4、1/8、1/16以及1/32。
本发明还提供一种SAR图像目标检测装置,包括:
特征提取单元,用于将原始SAR图像输入至特征提取模型,得到所述特征提取模型输出的多个预测特征图;各预测特征图的分辨率不同,且所述多个预测特征图中至少包括一个分辨率大于预设值的特征图;
候选目标确定单元,用于基于预设锚点,以及各预测特征图的分辨率,确定各预测特征图对应的目标对象候选边界框以及各目标对象候选边界框对应的类别置信度;所述类别置信度为各目标对象候选边界框存在目标对象的概率;
目标检测单元,用于基于非极大抑制算法,以及各目标对象候选边界框对应的类别置信度,从所有目标对象候选边界框中确定目标边界框,并将所述目标边界框作为所述SAR图像的目标检测结果;
其中,所述特征提取模型是基于样本SAR图像训练得到的;所述特征提取模型用于提取所述原始SAR图像的多个具有不同分辨率的初始特征,并按照分辨率递增的顺序依次对各初始特征进行融合,得到对应的初始融合特征后,按照分辨率递减的顺序依次对各初始融合特征进行融合,得到多个预测特征图。
本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述SAR图像目标检测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述SAR图像目标检测方法的步骤。
本发明提供的SAR图像目标检测方法、装置、电子设备和存储介质,通过特征提取模型提取原始SAR图像的多个具有不同分辨率的初始特征,并按照分辨率递增的顺序依次对各初始特征进行融合,发挥了高分辨率特征能够保留目标较为完整的空间信息的优势,高分辨率特征通过多层卷积,使其初步具有高级语义信息,并通过自上而下的融合(对各初始特征进行融合),将高层语义信息传递至高分辨率特征,得到语义信息与空间信息兼具的高分辨率特征。在得到对应的初始融合特征后,按照分辨率递减的顺序依次对各初始融合特征进行融合,得到多个预测特征图,即通过自下而上的融合,又将目标对象的空间信息传递至低分辨率特征上,提高了目标对象检测的精度,保证了目标对象检测较好的鲁棒性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的SAR图像目标检测方法的流程示意图之一;
图2是本发明提供的SAR图像目标检测方法的流程示意图之二;
图3是本发明提供的各初始特征进行融合的示意图;
图4是本发明提供的各初始融合特征进行融合的示意图;
图5是本发明提供的SAR图像目标检测装置的结构示意图;
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。
传统的SAR图像目标检测方法中所选取的经典目标检测模型如Faster R-CNN、YOLO等在实时检测SAR图像中的目标对象(如飞机)时存在明显缺陷:一方面,SAR图像中的目标对象(如飞机)的各个部件在多数情况下呈现分散形态,且目标尺寸较小,而上述检测器采用高层语义特征层进行检测,此类特征含有目标的高级语义信息,但空间分辨率较低,因此目标对象的空间信息被严重损失,从而很大程度上限制了不完整的小目标检测精度。另一方面,两阶段网络由于存在精调阶段,因此在检测速度上无法达到实时的检测效果。近年来,随着YOLO算法的改进,逐渐将FPN、PANet等多尺度融合技术引入至检测方法中,如YOLOV4。YOLOV4采用三种尺度的特征分辨率进行预测,即中分辨率、中低分辨率、低分辨率特征,但其对于尺度不同、目标较小的SAR图像中的飞机目标,仍然在检测精度上表现不佳。
对此,本发明提供一种SAR图像目标检测方法。图1是本发明提供的SAR图像目标检测方法的流程示意图,如图1所示,该方法包括如下步骤:
步骤110、将原始SAR图像输入至特征提取模型,得到特征提取模型输出的多个预测特征图;各预测特征图的分辨率不同,且多个预测特征图中至少包括一个分辨率大于预设值的特征图;
其中,特征提取模型是基于样本SAR图像训练得到的;特征提取模型用于提取原始SAR图像的多个具有不同分辨率的初始特征,并按照分辨率递增的顺序依次对各初始特征进行融合,得到对应的初始融合特征后,按照分辨率递减的顺序依次对各初始融合特征进行融合,得到多个预测特征图。
具体地,原始SAR图像是基于合成孔径雷达采集的图像,由于原始SAR图像中目标对象密度大、各目标对象的尺度不同、背景复杂、虚警干扰大等因素的影响,从而亟需对原始SAR图像进行高度目标检测(即识别SAR图像中的目标对象,如识别SAR图像中的飞机)。
以目标对象飞机为例,由于SAR图像中的飞机目标较小,且飞机目标的各个部件呈分散状,若采用传统方法中的网络模型进行目标检测,则随着网络深度增加,特征尺度减小,高级语义层中飞机目标的空间信息损失严重,进而影响检测精度。
因此,本发明实施例将原始SAR图像输入至特征提取模型,得到特征提取模型输出的多个具有不同分辨率的预测特征图,,且多个预测特征图中至少包括一个分辨率大于预设值的特征图,即可以理解为多个预测特征图中至少包括一个高分辨率的特征图。不同分辨率的预测特征可以使得不同尺度目标对象得到更好的表征,即高分辨率的预测特征图有益于小尺度目标对象的表征,低分辨率的预测特征图有益于大尺度目标的表征,从而使得网络具有更好的尺度不变性。
此外,特征提取模型用于提取原始SAR图像的多个具有不同分辨率的初始特征,并按照分辨率递增的顺序依次对各初始特征进行融合,发挥了高分辨率特征能够保留目标较为完整的空间信息的优势,高分辨率特征通过多层卷积,使其初步具有高级语义信息,并通过自上而下的融合(对各初始特征进行融合),将高层语义信息传递至高分辨率特征,得到语义信息与空间信息兼具的高分辨率特征。
在得到对应的初始融合特征后,按照分辨率递减的顺序依次对各初始融合特征进行融合,得到多个预测特征图,即通过自下而上的融合,又将目标对象的空间信息传递至低分辨率特征上,提高了目标对象检测的精度。
其中,特征提取模型可以为骨干网络CSPDarkNet-53,该网络共有5个步长为2的卷积层,当特征经过步长为2的卷积层时,特征的空间尺度会缩小2倍,因此以5个步长为2的卷积层为界,骨干网络可分为5个阶段。将在5个阶段中,经过步长为2的卷积层的特征记为C1至C5,C1至C5的空间尺度分别为原输入的1/2,1/4,1/8,1/16以及1/32。选择C2、C3、C4和C5作为初始网络特征。分别经过L=2,L=8,L=8,L=4的CSP层,得到四种尺度的初始特征:D2,D3,D4,D5,维度分别为152×152×128,76×76×256,38×38×512,19×19×1024。
步骤120、基于预设锚点,以及各预测特征图的分辨率,确定各预测特征图对应的目标对象候选边界框以及各目标对象候选边界框对应的类别置信度;类别置信度为各目标对象候选边界框存在目标对象的概率。
具体地,预设锚点可以是对训练集中的所有目标对象的边界框进行聚类分析得到的,例如假设特征提取网络输出的预测特征图对应四种分辨率,则可以对训练集中所有目标对象的边界框进行聚类分析,得到12组尺寸不同的锚点,分别赋予四种分辨率的预测特征图,其中每种分辨率的预测特征图赋予3组锚点。其中,可以按照锚点的面积将对应锚点赋予各预测特征图,预测特征图的分辨率越高,对应赋予的锚点面积越小。此外,基于预设锚点(如12组尺寸不同的锚点)能够更好的描述训练集中目标尺寸的分布,减小了在回归目标位置、尺寸偏移量的范围,使得该方法可预测质量更高的边界框。
在为各预测特征图赋予对应锚点后,四种分辨率的预测特征图分别逐像素点进行分类,以确定该像素点所属类别,并逐像素点进行回归,得到该像素点所对应的锚点的长、宽、左上角点坐标偏移量,对初始锚点进行位置及尺寸的调整,得到该像素点所属目标的边界框,基于各像素点所属目标的边界框,可以得到对应预测特征图的目标对象候选边界框以及各目标对象候选边界框的类别置信度。
步骤130、基于非极大抑制算法,以及各目标对象候选边界框对应的类别置信度,从所有目标对象候选边界框中确定目标边界框,并将目标边界框作为SAR图像的目标检测结果。
具体地,由于各预测特征图对应的目标对象候选边界框可能存在重叠或重复的边界框,因此可以采用非极大抑制算法,删除重复的候选边界框,如对于重复的候选边界框,可以保留类别置信度最大的候选边界框作为目标边界框,并将目标边界框作为SAR图像的目标检测结果。
例如,对于四种分辨率的预测特征图分别得到69312、17328、4332、1083个检测结果(候选边界框),利用非极大值抑制法,设置IoU阈值为0.2,删除重复候选边界框,保留类别置信度较大的候选边界框,从而得到SAR图像的最终目标检测结果。
如图2所示,以目标对象飞机为例,基于特征提取网络,首先提取待进行目标检测图片的四种尺度的初始特征,即高分辨率特征D2、中分辨率特征D3、中低分辨率特征D4以及低分辨率特征D5。按照自上而下的顺序,从低分辨率特征D5开始,依次向高分辨率特征进行融合,得到融合后的四种尺度的初始融合特征E2至E5。按照自下而上的顺序,从高分辨率特征E2开始,依次向高分辨率特征进行融合,得到用于预测目标位置、类别的四种分辨率的预测特征图F2至F5。此外,在获取预测特征图F2至F5后,对采集的训练集中所有目标飞机的边界框进行聚类分析,得到12组尺寸不同的锚点,分别赋予四种分辨率的预测特征图F2至F5,其中每种分辨率的预测特征图赋予3组锚点。四种分辨率的预测特征图分别逐像素点进行分类,以确定该像素点所属类别,并逐像素点进行回归,得到该像素店对应的锚点的长、宽、左上角点坐标偏移量,对初始锚点进行位置、尺寸调整,得到该像素点所属目标的边界框。将在四种分辨率预测特征图上得到的目标检测结果进行非极大值抑制操作,得到最终的检测结果。
此外,经过测试,本发明实施例提供的目标检测方法与现有方法YOLOV4相比,以平均精准度(Average precision,AP)为指标,本发明实施例将AP指标提升了10.9个百分点,检测速度为34.8fps,不仅提高了目标检测的精度,而检测速度较快,达到了实时检测水平。
本发明实施例提供的SAR图像的目标检测方法,通过特征提取模型提取原始SAR图像的多个具有不同分辨率的初始特征,并按照分辨率递增的顺序依次对各初始特征进行融合,发挥了高分辨率特征能够保留目标较为完整的空间信息的优势,高分辨率特征通过多层卷积,使其初步具有高级语义信息,并通过自上而下的融合(对各初始特征进行融合),将高层语义信息传递至高分辨率特征,得到语义信息与空间信息兼具的高分辨率特征。在得到对应的初始融合特征后,按照分辨率递减的顺序依次对各初始融合特征进行融合,得到多个预测特征图,即通过自下而上的融合,又将目标对象的空间信息传递至低分辨率特征上,提高了目标对象检测的精度,保证了目标对象检测较好的鲁棒性。
基于上述实施例,各初始融合特征是基于如下步骤获取的:
第一卷积步骤:按照分辨率递增的顺序,对各初始特征进行排序,并对第一个初始特征进行卷积操作,得到第一初始融合特征;
第一融合步骤:对第一初始融合特征进行上采样后,与第一初始融合特征对应的下一初始特征进行融合,得到第二初始融合特征;其中,上采样后的第一初始融合特征与第一初始融合特征对应的下一初始特征的维度相同;
第一循环步骤:将第二初始融合特征作为第一初始融合特征,循环执行第一融合步骤,直至第一初始融合特征不存在对应的下一初始特征。
具体地,以预测特征图对应四种分辨率为例,即初始特征也对应四种分辨率,如图3和图4所示,将四种初始特征D2,D3,D4,D5按照自上而下进行多尺度特征融合,得到融合后的四种尺度的初始融合特征E2至E5。具体地,D5经过1层CBM,3层CBL后,进入SPP层,得到维度为19×19×2048的特征,经过3层CBL,得到维度为19×19×512的特征E5。E5首先经过一层CBL,得到维度为19×19×256的特征,经过上采样,将尺度空间与D4对齐,得到维度为38×38×256的特征H5,D4经过一层CBL后,得到维度为38×38×256的特征,将其与H5进行通道维度上的级联,得到维度为38×38×512的特征,将其经过5层CBL,得到维度为38×38×256的特征E4。E4首先经过一层CBL,得到维度为38×38×128的特征,经过上采样,将尺度空间与D3对齐,得到维度为76×76×128的特征H4,D3经过一层CBL后,得到维度为76×76×128的特征将其与H4进行通道维度上的级联,得到维度为76×76×256的特征,将其经过5层CBL,得到维度为76×76×128的特征E3,E3首先经过一层CBL,得到维度为76×76×64的特征,经过上采样,将尺度空间与D2对齐,得到维度为152×152×64的特征H3,D2经过一层CBL后,得到维度为152×152×64的特征,将其与H3进行通道维度上的级联,得到维度为152×152×128的特征,将其经过5层CBL,得到维度为152×152×64的特征E2。
需要说明的是,在两种分辨率的初始特征分支融合前,分辨率较低的初始特征分支在经过一系列卷积操作后,通过双线性插值法进行上采样,与分辨率较高的初始特征在尺度上对齐。在两种分辨率的初始特征分支融合时,融合包括在通道维度对空间尺度对齐的两个特征进行叠加,以及对叠加后的特征进行卷积操作。
基于上述任一实施例,各预测特征图是基于如下步骤获取的:
第二卷积步骤:按照分辨率递减的顺序,对各初始融合特征进行排序,并对第一个初始融合特征进行卷积操作,得到第一预测特征图;
第二融合步骤:对第一预测特征图进行下采样后,与第一预测特征图对应的下一初始融合特征进行融合,得到第二预测特征图;其中,下采样后的第一预测特征图与第一预测特征图对应的下一初始融合特征的维度相同;
第二循环步骤:将第二预测特征图作为第一预测特征图,循环执行第二融合步骤,直至第一预测特征图不存在对应的下一初始融合特征。
具体地,以预测特征图对应四种分辨率为例,即初始融合特征也对应四种分辨率,如图3和图4所示,将四种尺度的初始融合特征E2,E3,E4,E5按照自下而上进行多尺度特征融合,得到用于预测目标位置、类别的四种分辨率的预测特征图F2,F3,F4,F5。具体地,E2首先经过一层CBL,得到维度为152×152×128的特征,再经过一层输出通道数为(类别数+5)×3的1×1卷积后,得到高分辨率预测特征F2。E2经过一层步长为2的CBL,得到维度为76×76×128的特征。将其与E3进行通道维度上的级联,得到维度为76×76×256的特征,经过5层CBL,得到维度为76×76×128的特征G3,G3首先经过一层CBL,得到维度为76×76×256的特征,再经过一层输出通道数为(类别数+5)×3的1×1卷积后,得到高分辨率预测特征F3。进一步地,G3经过一层步长为2的CBL,得到维度为38×38×256特征。将其与E4进行通道维度上的级联,得到维度为38×38×512的特征,经过5层CBL,得到维度为38×38×256的特征G4,G4首先经过一层CBL,得到维度为38×38×512的特征,再经过一层输出通道数为(类别数+5)×3的1×1卷积后,得到高分辨率预测特征F4。进一步地,G4经过一层步长为2的CBL,得到维度为19×19×512特征。将其与E5进行通道维度上的级联,得到维度为19×19×1024的特征,经过5层CBL,得到维度为19×19×512的特征G5,G5经过一层CBL,得到维度为19×19×1024的特征,再经过一层输出通道数为(类别数+5)×3的1×1卷积后,得到高分辨率预测特征F5。
需要说明的是,在两种特征分辨率的初始融合特征分支融合前,分辨率较高的初始融合特征经过多层卷积操作。其中最后一个卷积核的步长为2,将分辨率较高的初始融合特征的尺度与分辨率较低的特征在尺度上对齐。在两种分辨率的初始融合特征分支融合时,融合包括在通道维度对所述空间尺度对齐的两个特征进行叠加,以及对叠加后的特征进行卷积操作。
基于上述任一实施例,预设锚点是基于如下步骤获取的:
获取多个SAR训练集图像,并确定各SAR训练集图像中目标对象的边界框;
按照预设簇数,对各SAR训练集图像中目标对象的边界框进行尺寸聚类,并将聚类后得到的各簇中心作为预设锚点中的各锚点。
具体地,各SAR训练集图像中接待有目标对象的尺寸信息,如飞机的长和宽。以预设簇数12为例,初始化12个聚类中心,利用Kmeans算法,将训练集图像中所有目标边界框的左上角与右下角坐标转换为矩形框的长和宽,并以所有矩形框的长、宽作为输入,得到最终12组聚类中心:[(9,8),(10,12),(11,10),(11,14),(14,12),(14,14),(17,13),(15,17),(19,17),(23,24),(35,35),(87,75)],其中预设锚点为聚类的得到的各簇中心,每个锚点由矩形框的长和宽确定。
基于上述任一实施例,基于预设锚点,以及各预测特征图的分辨率,确定各预测特征图对应的目标对象候选边界框以及各目标对象候选边界框对应的类别置信度,包括:
基于预设锚点中各锚点的面积,以及各预测特征图的分辨率,从预设锚点中获取各预测特征图的目标锚点;
将各目标锚点在对应的预测特征图上进行平移和缩放,确定各预测特征图对应的目标对象候选边界框以及各目标对象候选边界框对应的类别置信度。
具体地,各预测特征图分别逐像素点进行分类,以确定该像素点所属类别,并逐像素点进行回归,得到该像素点对应的锚点的长、宽、左上角点坐标偏移量,对初始锚点进行位置、尺寸调整,得到该像素点所属目标的边界框。如图2所示,对预测特征图F2至F5的特征进行类别概率值计算,以及边界框偏移量计算。以处理预测特征图F2为例:F2特征的维度为152×152×18,其中18由(类别数量+5)×3计算得到,即类别数量为1,其代表属于每个类别的概率值。5由1个前景概率值与4个边界框偏移量组成,3代表每一个位置赋予3组长宽不同的锚点。对于每个锚点,分类结果由类别置信度确定,其为类别概率与前景概率乘积。边界框回归结果由4个边界框偏移量在被赋予的锚点上进行位置、尺寸调整。
基于上述任一实施例,基于预设锚点中各锚点的面积,以及各预测特征图的分辨率,从预设锚点中获取各预测特征图的目标锚点,包括:
将预设锚点中各锚点按照面积从小到大排序,基于预测特征图的数量对排序后的各锚点进行平均分组,并将各分组的锚点作为目标锚点分配至对应的预测特征图;
其中,预测特征图的分辨率越高,预测特征图对应的目标锚点面积越小。
具体地,以12组预设锚点{M1,M2,M3,M4,M5,M6,M7,M8,M9,M10,M11,M12},四种预测特征图F2、F3、F4和F5为例,M1~M12的锚点面积依次递增,F2~F5的分辨率依次递增,将12组预设锚点可以均分为4组:{M1,M2,M3},{M4,M5,M6},{M7,M8,M9}和{M10,M11,M12},从而将{M1,M2,M3}作为F5的目标锚点,{M4,M5,M6}作为F4的目标锚点,{M7,M8,M9}作为F3的目标锚点,{M10,M11,M12}作为F2的目标锚点。
基于上述任一实施例,各初始特征的尺度分别为原始SAR图像尺度的1/4、1/8、1/16以及1/32。
如表1所示,各初始特征的尺度分别为原始SAR图像尺度的1/4、1/8、1/16以及1/32,不仅能够高精度进行目标检测,而且可以避免过多尺度的初始特征造成目标检测效率较低的问题。
表1
初始特征类别 | 初始特征尺度 |
高分辨率特征 | 原始SAR图像尺度的1/4 |
中分辨率特征 | 原始SAR图像尺度的1/8 |
中低分辨率特征 | 原始SAR图像尺度的1/16 |
低分辨率特征 | 原始SAR图像尺度的1/32 |
下面对本发明提供的SAR图像目标检测装置进行描述,下文描述的SAR图像目标检测装置与上文描述的SAR图像目标检测方法可相互对应参照。
基于上述任一实施例,本发明提供一种SAR图像目标检测装置,如图5所示,该装置包括:
特征提取单元510,用于将原始SAR图像输入至特征提取模型,得到所述特征提取模型输出的多个预测特征图;各预测特征图的分辨率不同,且所述多个预测特征图中至少包括一个分辨率大于预设值的特征图;
候选目标确定单元520,用于基于预设锚点,以及各预测特征图的分辨率,确定各预测特征图对应的目标对象候选边界框以及各目标对象候选边界框对应的类别置信度;所述类别置信度为各目标对象候选边界框存在目标对象的概率;
目标检测单元530,用于基于非极大抑制算法,以及各目标对象候选边界框对应的类别置信度,从所有目标对象候选边界框中确定目标边界框,并将所述目标边界框作为所述SAR图像的目标检测结果;
其中,所述特征提取模型是基于样本SAR图像训练得到的;所述特征提取模型用于提取所述原始SAR图像的多个具有不同分辨率的初始特征,并按照分辨率递增的顺序依次对各初始特征进行融合,得到对应的初始融合特征后,按照分辨率递减的顺序依次对各初始融合特征进行融合,得到多个预测特征图。
基于上述任一实施例,还包括:
第一卷积单元,用于按照分辨率递增的顺序,对各初始特征进行排序,并对第一个初始特征进行卷积操作,得到第一初始融合特征;
第一融合单元,用于对所述第一初始融合特征进行上采样后,与所述第一初始融合特征对应的下一初始特征进行融合,得到第二初始融合特征;其中,上采样后的第一初始融合特征与所述第一初始融合特征对应的下一初始特征的维度相同;
第一循环单元,用于将所述第二初始融合特征作为所述第一初始融合特征,循环执行所述第一融合步骤,直至所述第一初始融合特征不存在对应的下一初始特征。
基于上述任一实施例,还包括:
第二卷积单元,用于按照分辨率递减的顺序,对各初始融合特征进行排序,并对第一个初始融合特征进行卷积操作,得到第一预测特征图;
第二融合单元,用于对所述第一预测特征图进行下采样后,与所述第一预测特征图对应的下一初始融合特征进行融合,得到第二预测特征图;其中,下采样后的第一预测特征图与所述第一预测特征图对应的下一初始融合特征的维度相同;
第二循环单元,用于将所述第二预测特征图作为所述第一预测特征图,循环执行所述第二融合步骤,直至所述第一预测特征图不存在对应的下一初始融合特征。
基于上述任一实施例,还包括:
获取单元,用于获取多个SAR训练集图像,并确定各SAR训练集图像中目标对象的边界框;
聚类单元,用于按照预设簇数,对各SAR训练集图像中目标对象的边界框进行尺寸聚类,并将聚类后得到的各簇中心作为所述预设锚点中的各锚点。
基于上述任一实施例,所述候选目标确定单元520,包括:
目标锚点确定单元,用于基于所述预设锚点中各锚点的面积,以及各预测特征图的分辨率,从所述预设锚点中获取各预测特征图的目标锚点;
候选边界框确定单元,用于将各目标锚点在对应的预测特征图上进行平移和缩放,确定各预测特征图对应的目标对象候选边界框以及各目标对象候选边界框对应的类别置信度。
基于上述任一实施例,所述目标锚点确定单元,用于
将所述预设锚点中各锚点按照面积从小到大排序,基于预测特征图的数量对排序后的各锚点进行平均分组,并将各分组的锚点作为所述目标锚点分配至对应的预测特征图;
其中,预测特征图的分辨率越高,预测特征图对应的目标锚点面积越小。
基于上述任一实施例,各初始特征的尺度分别为所述原始SAR图像尺度的1/4、1/8、1/15以及1/32。
图6是本发明提供的电子设备的结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、存储器(memory)620、通信接口(Communications Interface)630和通信总线640,其中,处理器610,存储器620,通信接口630通过通信总线640完成相互间的通信。处理器610可以调用存储器620中的逻辑指令,以执行SAR图像目标检测方法,该方法包括:将原始SAR图像输入至特征提取模型,得到所述特征提取模型输出的多个预测特征图;各预测特征图的分辨率不同,且所述多个预测特征图中至少包括一个分辨率大于预设值的特征图;基于预设锚点,以及各预测特征图的分辨率,确定各预测特征图对应的目标对象候选边界框以及各目标对象候选边界框对应的类别置信度;所述类别置信度为各目标对象候选边界框存在目标对象的概率;基于非极大抑制算法,以及各目标对象候选边界框对应的类别置信度,从所有目标对象候选边界框中确定目标边界框,并将所述目标边界框作为所述SAR图像的目标检测结果;其中,所述特征提取模型是基于样本SAR图像训练得到的;所述特征提取模型用于提取所述原始SAR图像的多个具有不同分辨率的初始特征,并按照分辨率递增的顺序依次对各初始特征进行融合,得到对应的初始融合特征后,按照分辨率递减的顺序依次对各初始融合特征进行融合,得到多个预测特征图。
此外,上述的存储器620中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的SAR图像目标检测方法,该方法包括:将原始SAR图像输入至特征提取模型,得到所述特征提取模型输出的多个预测特征图;各预测特征图的分辨率不同,且所述多个预测特征图中至少包括一个分辨率大于预设值的特征图;基于预设锚点,以及各预测特征图的分辨率,确定各预测特征图对应的目标对象候选边界框以及各目标对象候选边界框对应的类别置信度;所述类别置信度为各目标对象候选边界框存在目标对象的概率;基于非极大抑制算法,以及各目标对象候选边界框对应的类别置信度,从所有目标对象候选边界框中确定目标边界框,并将所述目标边界框作为所述SAR图像的目标检测结果;其中,所述特征提取模型是基于样本SAR图像训练得到的;所述特征提取模型用于提取所述原始SAR图像的多个具有不同分辨率的初始特征,并按照分辨率递增的顺序依次对各初始特征进行融合,得到对应的初始融合特征后,按照分辨率递减的顺序依次对各初始融合特征进行融合,得到多个预测特征图。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的SAR图像目标检测方法,该方法包括:将原始SAR图像输入至特征提取模型,得到所述特征提取模型输出的多个预测特征图;各预测特征图的分辨率不同,且所述多个预测特征图中至少包括一个分辨率大于预设值的特征图;基于预设锚点,以及各预测特征图的分辨率,确定各预测特征图对应的目标对象候选边界框以及各目标对象候选边界框对应的类别置信度;所述类别置信度为各目标对象候选边界框存在目标对象的概率;基于非极大抑制算法,以及各目标对象候选边界框对应的类别置信度,从所有目标对象候选边界框中确定目标边界框,并将所述目标边界框作为所述SAR图像的目标检测结果;其中,所述特征提取模型是基于样本SAR图像训练得到的;所述特征提取模型用于提取所述原始SAR图像的多个具有不同分辨率的初始特征,并按照分辨率递增的顺序依次对各初始特征进行融合,得到对应的初始融合特征后,按照分辨率递减的顺序依次对各初始融合特征进行融合,得到多个预测特征图。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种SAR图像目标检测方法,其特征在于,包括:
将原始SAR图像输入至特征提取模型,得到所述特征提取模型输出的多个预测特征图;各预测特征图的分辨率不同,且所述多个预测特征图中至少包括一个分辨率大于预设值的特征图;
基于预设锚点,以及各预测特征图的分辨率,确定各预测特征图对应的目标对象候选边界框以及各目标对象候选边界框对应的类别置信度;所述类别置信度为各目标对象候选边界框存在目标对象的概率;
基于非极大抑制算法,以及各目标对象候选边界框对应的类别置信度,从所有目标对象候选边界框中确定目标边界框,并将所述目标边界框作为所述SAR图像的目标检测结果;
其中,所述特征提取模型是基于样本SAR图像训练得到的;所述特征提取模型用于提取所述原始SAR图像的多个具有不同分辨率的初始特征,并按照分辨率递增的顺序依次对各初始特征进行融合,得到对应的初始融合特征后,按照分辨率递减的顺序依次对各初始融合特征进行融合,得到多个预测特征图;
各初始融合特征是基于如下步骤获取的:
第一卷积步骤:按照分辨率递增的顺序,对各初始特征进行排序,并对第一个初始特征进行卷积操作,得到第一初始融合特征;
第一融合步骤:对所述第一初始融合特征进行上采样后,与所述第一初始融合特征对应的下一初始特征进行融合,得到第二初始融合特征;其中,上采样后的第一初始融合特征与所述第一初始融合特征对应的下一初始特征的维度相同;
第一循环步骤:将所述第二初始融合特征作为所述第一初始融合特征,循环执行所述第一融合步骤,直至所述第一初始融合特征不存在对应的下一初始特征;
各预测特征图是基于如下步骤获取的:
第二卷积步骤:按照分辨率递减的顺序,对各初始融合特征进行排序,并对第一个初始融合特征进行卷积操作,得到第一预测特征图;
第二融合步骤:对所述第一预测特征图进行下采样后,与所述第一预测特征图对应的下一初始融合特征进行融合,得到第二预测特征图;其中,下采样后的第一预测特征图与所述第一预测特征图对应的下一初始融合特征的维度相同;
第二循环步骤:将所述第二预测特征图作为所述第一预测特征图,循环执行所述第二融合步骤,直至所述第一预测特征图不存在对应的下一初始融合特征。
2.根据权利要求1所述的SAR图像目标检测方法,其特征在于,所述预设锚点是基于如下步骤获取的:
获取多个SAR训练集图像,并确定各SAR训练集图像中目标对象的边界框;
按照预设簇数,对各SAR训练集图像中目标对象的边界框进行尺寸聚类,并将聚类后得到的各簇中心作为所述预设锚点中的各锚点。
3.根据权利要求1所述的SAR图像目标检测方法,其特征在于,所述基于预设锚点,以及各预测特征图的分辨率,确定各预测特征图对应的目标对象候选边界框以及各目标对象候选边界框对应的类别置信度,包括:
基于所述预设锚点中各锚点的面积,以及各预测特征图的分辨率,从所述预设锚点中获取各预测特征图的目标锚点;
将各目标锚点在对应的预测特征图上进行平移和缩放,确定各预测特征图对应的目标对象候选边界框以及各目标对象候选边界框对应的类别置信度。
4.根据权利要求3所述的SAR图像目标检测方法,其特征在于,所述基于所述预设锚点中各锚点的面积,以及各预测特征图的分辨率,从所述预设锚点中获取各预测特征图的目标锚点,包括:
将所述预设锚点中各锚点按照面积从小到大排序,基于预测特征图的数量对排序后的各锚点进行平均分组,并将各分组的锚点作为所述目标锚点分配至对应的预测特征图;
其中,预测特征图的分辨率越高,预测特征图对应的目标锚点面积越小。
5.根据权利要求1至4任一项所述的SAR图像目标检测方法,其特征在于,各初始特征的尺度分别为所述原始SAR图像尺度的1/4、1/8、1/16以及1/32。
6.一种SAR图像目标检测装置,其特征在于,包括:
特征提取单元,用于将原始SAR图像输入至特征提取模型,得到所述特征提取模型输出的多个预测特征图;各预测特征图的分辨率不同,且所述多个预测特征图中至少包括一个分辨率大于预设值的特征图;
候选目标确定单元,用于基于预设锚点,以及各预测特征图的分辨率,确定各预测特征图对应的目标对象候选边界框以及各目标对象候选边界框对应的类别置信度;所述类别置信度为各目标对象候选边界框存在目标对象的概率;
目标检测单元,用于基于非极大抑制算法,以及各目标对象候选边界框对应的类别置信度,从所有目标对象候选边界框中确定目标边界框,并将所述目标边界框作为所述SAR图像的目标检测结果;
其中,所述特征提取模型是基于样本SAR图像训练得到的;所述特征提取模型用于提取所述原始SAR图像的多个具有不同分辨率的初始特征,并按照分辨率递增的顺序依次对各初始特征进行融合,得到对应的初始融合特征后,按照分辨率递减的顺序依次对各初始融合特征进行融合,得到多个预测特征图;
各初始融合特征是基于如下步骤获取的:
第一卷积步骤:按照分辨率递增的顺序,对各初始特征进行排序,并对第一个初始特征进行卷积操作,得到第一初始融合特征;
第一融合步骤:对所述第一初始融合特征进行上采样后,与所述第一初始融合特征对应的下一初始特征进行融合,得到第二初始融合特征;其中,上采样后的第一初始融合特征与所述第一初始融合特征对应的下一初始特征的维度相同;
第一循环步骤:将所述第二初始融合特征作为所述第一初始融合特征,循环执行所述第一融合步骤,直至所述第一初始融合特征不存在对应的下一初始特征;
各预测特征图是基于如下步骤获取的:
第二卷积步骤:按照分辨率递减的顺序,对各初始融合特征进行排序,并对第一个初始融合特征进行卷积操作,得到第一预测特征图;
第二融合步骤:对所述第一预测特征图进行下采样后,与所述第一预测特征图对应的下一初始融合特征进行融合,得到第二预测特征图;其中,下采样后的第一预测特征图与所述第一预测特征图对应的下一初始融合特征的维度相同;
第二循环步骤:将所述第二预测特征图作为所述第一预测特征图,循环执行所述第二融合步骤,直至所述第一预测特征图不存在对应的下一初始融合特征。
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述SAR图像目标检测方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述SAR图像目标检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110851991.4A CN113657196B (zh) | 2021-07-27 | 2021-07-27 | Sar图像目标检测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110851991.4A CN113657196B (zh) | 2021-07-27 | 2021-07-27 | Sar图像目标检测方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657196A CN113657196A (zh) | 2021-11-16 |
CN113657196B true CN113657196B (zh) | 2024-05-28 |
Family
ID=78478785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110851991.4A Active CN113657196B (zh) | 2021-07-27 | 2021-07-27 | Sar图像目标检测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657196B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530633A (zh) * | 2013-10-09 | 2014-01-22 | 深圳大学 | 一种图像局部不变特征的语义映射方法及语义映射系统 |
CN109344821A (zh) * | 2018-08-30 | 2019-02-15 | 西安电子科技大学 | 基于特征融合和深度学习的小目标检测方法 |
CN111368769A (zh) * | 2020-03-10 | 2020-07-03 | 大连东软信息学院 | 基于改进锚点框生成模型的船舶多目标检测方法 |
CN111461114A (zh) * | 2020-03-03 | 2020-07-28 | 华南理工大学 | 一种基于分割的多尺度特征金字塔文本检测方法 |
CN111666854A (zh) * | 2020-05-29 | 2020-09-15 | 武汉大学 | 融合统计显著性的高分辨率sar影像车辆目标检测方法 |
CN112215199A (zh) * | 2020-10-28 | 2021-01-12 | 中国人民解放军战略支援部队航天工程大学 | 基于多感受野与密集特征聚合网络的sar图像舰船检测方法 |
CN112465880A (zh) * | 2020-11-26 | 2021-03-09 | 西安电子科技大学 | 基于多源异构数据认知融合的目标检测方法 |
CN112487900A (zh) * | 2020-11-20 | 2021-03-12 | 中国人民解放军战略支援部队航天工程大学 | 一种基于特征融合的sar图像舰船目标检测方法 |
CN112883971A (zh) * | 2021-03-04 | 2021-06-01 | 中山大学 | 一种基于深度学习的sar图像舰船目标检测方法 |
CN114119444A (zh) * | 2021-11-29 | 2022-03-01 | 武汉大学 | 一种基于深度神经网络的多源遥感图像融合方法 |
CN115170931A (zh) * | 2022-07-20 | 2022-10-11 | 东南大学 | 一种基于混合空洞卷积的ca-yolo目标检测算法 |
CN115482471A (zh) * | 2022-09-19 | 2022-12-16 | 交通运输部规划研究院 | 一种基于sar图像的目标检测方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10672139B2 (en) * | 2017-05-19 | 2020-06-02 | Kayrros | Method and system for remotely measuring the volume of liquid stored in external floating roof tanks |
CN110472483B (zh) * | 2019-07-02 | 2022-11-15 | 五邑大学 | 一种面向sar图像的小样本语义特征增强的方法及装置 |
CN110472627B (zh) * | 2019-07-02 | 2022-11-08 | 五邑大学 | 一种端到端的sar图像识别方法、装置及存储介质 |
CN112150462B (zh) * | 2020-10-22 | 2023-12-22 | 北京百度网讯科技有限公司 | 确定目标锚点的方法、装置、设备以及存储介质 |
-
2021
- 2021-07-27 CN CN202110851991.4A patent/CN113657196B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530633A (zh) * | 2013-10-09 | 2014-01-22 | 深圳大学 | 一种图像局部不变特征的语义映射方法及语义映射系统 |
CN109344821A (zh) * | 2018-08-30 | 2019-02-15 | 西安电子科技大学 | 基于特征融合和深度学习的小目标检测方法 |
CN111461114A (zh) * | 2020-03-03 | 2020-07-28 | 华南理工大学 | 一种基于分割的多尺度特征金字塔文本检测方法 |
CN111368769A (zh) * | 2020-03-10 | 2020-07-03 | 大连东软信息学院 | 基于改进锚点框生成模型的船舶多目标检测方法 |
CN111666854A (zh) * | 2020-05-29 | 2020-09-15 | 武汉大学 | 融合统计显著性的高分辨率sar影像车辆目标检测方法 |
CN112215199A (zh) * | 2020-10-28 | 2021-01-12 | 中国人民解放军战略支援部队航天工程大学 | 基于多感受野与密集特征聚合网络的sar图像舰船检测方法 |
CN112487900A (zh) * | 2020-11-20 | 2021-03-12 | 中国人民解放军战略支援部队航天工程大学 | 一种基于特征融合的sar图像舰船目标检测方法 |
CN112465880A (zh) * | 2020-11-26 | 2021-03-09 | 西安电子科技大学 | 基于多源异构数据认知融合的目标检测方法 |
CN112883971A (zh) * | 2021-03-04 | 2021-06-01 | 中山大学 | 一种基于深度学习的sar图像舰船目标检测方法 |
CN114119444A (zh) * | 2021-11-29 | 2022-03-01 | 武汉大学 | 一种基于深度神经网络的多源遥感图像融合方法 |
CN115170931A (zh) * | 2022-07-20 | 2022-10-11 | 东南大学 | 一种基于混合空洞卷积的ca-yolo目标检测算法 |
CN115482471A (zh) * | 2022-09-19 | 2022-12-16 | 交通运输部规划研究院 | 一种基于sar图像的目标检测方法及装置 |
Non-Patent Citations (4)
Title |
---|
Change Detection in Heterogeneous Optical and SAR Remote Sensing Images Via Deep Homogeneous Feature Fusion;Xiao Jiang等;《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》;第13卷;第1551-1566页 * |
一种光学遥感图像船舶目标检测技术;方梦梁;《计算机技术与发展》;第29卷(第8期);第136-141页 * |
一种基于修正Frost 核的SAR图像斑点噪声抑制方法;张朝晖等;《中国图象图形学报》;第10卷(第4期);第431-435页 * |
基于CReLU 和 FPN 改进的 SSD 舰船目标检测;李晖晖等;《仪器仪表学报》;第41卷(第4期);第183-190页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113657196A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287960B (zh) | 自然场景图像中曲线文字的检测识别方法 | |
CN111027547B (zh) | 一种针对二维图像中的多尺度多形态目标的自动检测方法 | |
AU2021101815A4 (en) | Human-computer interaction method and system based on dynamic gesture recognition | |
CN107563433B (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
CN112507777A (zh) | 一种基于深度学习的光学遥感图像舰船检测与分割方法 | |
CN107480620B (zh) | 基于异构特征融合的遥感图像自动目标识别方法 | |
CN109934216B (zh) | 图像处理的方法、装置、计算机可读存储介质 | |
CN106557740B (zh) | 一种遥感图像中油库目标的识别方法 | |
CN112861917B (zh) | 基于图像属性学习的弱监督目标检测方法 | |
CN111652273B (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
CN111611998A (zh) | 一种基于候选区域面积和宽高的自适应特征块提取方法 | |
CN112633382A (zh) | 一种基于互近邻的少样本图像分类方法及系统 | |
CN110781882A (zh) | 一种基于yolo模型的车牌定位和识别方法 | |
CN113221956B (zh) | 基于改进的多尺度深度模型的目标识别方法及装置 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN110008899B (zh) | 一种可见光遥感图像候选目标提取与分类方法 | |
CN116469020A (zh) | 一种基于多尺度和高斯Wasserstein距离的无人机图像目标检测方法 | |
CN111598854A (zh) | 基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法 | |
CN111462090A (zh) | 一种多尺度图像目标检测方法 | |
CN113657196B (zh) | Sar图像目标检测方法、装置、电子设备和存储介质 | |
CN111368865A (zh) | 遥感影像储油罐检测方法、装置、可读存储介质及设备 | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN110889418A (zh) | 一种气体轮廓识别方法 | |
CN109543716B (zh) | 一种基于深度学习的k线形态图像识别方法 |
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 |