CN114022779B

CN114022779B - 一种基于比例尺网络的sar船只检测方法

Info

Publication number: CN114022779B
Application number: CN202111238184.1A
Authority: CN
Inventors: 张晓玲; 胥小我; 王宝有; 张天文; 师君; 韦顺军
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2021-10-25
Filing date: 2021-10-25
Publication date: 2023-05-26
Anticipated expiration: 2041-10-25
Also published as: CN114022779A

Abstract

本发明公开了一种基于比例尺网络的SAR船只检测方法，该方法主要包括准备数据集、构建比例尺网络、建立船只检测模型、测试船只检测模型和评估船只检测模型五个部分。该方法基于原始的ResNet‑101，引入了群卷积模块，构建了比例尺网络，从而优化网络结构以提高准确性。采用群卷积模块构建SAR船只检测模型，该模型可以提供单层网络中更丰富的多尺度信息，使得本发明中的船只检测模型具有更优越的多尺度船舶检测性能。在公知的SAR船只数据集即SSDD数据集上的仿真结果表明，与现有技术ResNet‑101方法相比，本发明可将SAR船只检测精度提高约5％。

Description

一种基于比例尺网络的SAR船只检测方法

技术领域

本发明属于合成孔径雷达(SAR)图像解译技术领域，涉及一种基于比例尺网络的SAR船只检测方法。

背景技术

合成孔径雷达(SAR)是一种先进的对地观测遥感工具，具有全天、全天候的工作特性，在对地观测中得到了广泛的应用。利用SAR对海上舰船进行探测是一个普遍的研究课题。它可以为海洋交通管理、海洋渔业监测和海洋国防现代化做出贡献。详见文献“孟凡超,鲍勇.合成孔径雷达在舰船目标高分辨监视和测绘中的应用[J].舰船科学技术,2018,40(22):157-159.”。

近年来，随着深度学习(deep learning,DL)的兴起，卷积神经网络(convolutional neural networks,CNNs)为目标检测提供了许多先进的检测解决方案。目前，现有的基于DL的SAR图像中船只检测技术取得了良好的多尺度舰船检测性能。然而，它们均采用单层层次结构对多尺度船舶进行检测，其方法缺乏各个层次之间更丰富的多尺度信息，这导致了它们对于多尺度船舶的检测性能难以进一步提升，SAR船只检测仍然是一个具有挑战性的问题。

因此，为了解决上述问题，本发明提出了一种基于比例尺网络的SAR船只检测方法。

发明内容

本发明属于合成孔径雷达(SAR)图像解译技术领域，本发明公开了一种基于比例尺网络的SAR船只检测方法，用来解决现有检测技术精度不足的问题。该方法主要包括准备数据集，构建比例尺网络，建立船只检测模型，测试船只检测模型和评估船只检测模型五个部分。该方法基于原始的ResNet-101，引入了群卷积模块，构建了比例尺网络，从而优化网络结构以提高准确性。在公知的SAR船只数据集(即SSDD数据集)上的实验结果表明，与现有技术中定义5中的ResNet-101相比较，本发明可将SAR船只检测精度提高约5％。

为了方便描述本发明的内容，首先作以下术语定义：

定义1：SSDD数据集

SSDD数据集是指SAR船只检测数据集，英文全称为SAR Ship Detection Dataset，其可以用于训练深度学习模型,用于研究人员在这个统一的数据集去评价他们算法的性能。在SSDD数据集中,一共有1160幅图像和2456艘船只平均每幅图像有2.12艘船。后续根据任务需要会增加样本个数,扩充数据集。相比于有9000多幅图像、20类目标的PASCAL VOC数据集，SSDD足够大到可以对船只这一类目标进行训练检测器。SSDD数据集可从参考文献“李健伟,曲长文,彭书娟,邓兵.基于卷积神经网络的SAR图像舰船目标检测[J].系统工程与电子技术,2018,40(09):1953-1959.”中获得。

定义2：经典的卷积神经网络

经典的卷积神经网络指一类包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量进行特征提取。近年来,卷积神经网络在计算机视觉、自然语言处理、语音识别等领域取得了突飞猛进的发展,其强大的特征学习能力引起了国内外专家学者广泛的关注。经典的卷积神经网络方法详见文献“张索非,冯烨,吴晓富.基于深度卷积神经网络的目标检测算法进展[J/OL].南京邮电大学学报(自然科学版),2019(05):1-9.https://doi.org/10.14132/j.cnki.1673-5439.2019.05.010.”。

定义3：经典的CNN特征提取方法

经典的CNN特征提取，即通过CNN对原始输入图像进行特征提取。总而言之，原始输入图像经过不同特征的卷积操作变成了一系列的特征图。在CNN中，卷积层中卷积核在图像上不断滑动运算。同时，最大池化层负责在内积结果上取每一局部块的最大值。因此，CNN通过卷积层和最大池化层实现了图片特征提取方法。经典CNN特征提取详见网站“https://blog.csdn.net/qq_30815237/article/details/86703620”。

定义4：卷积核

卷积核就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核。卷积核的作用在于特征的抽取，越是大的卷积核尺寸就意味着更大的感受野，当然随之而来的是更多的参数。早在1998年，LeCun发布的LetNet-5模型中就会出，图像空域内具有局部相关性，卷积的过程是对局部相关性的一种抽取。卷积核设置方法详见文献“Lecun Y,BottouL,Bengio Y,et al.Gradient-based learning applied to document recognition[J].Proceedings of the IEEE,1998,86(11):2278-2324.”。

定义5：经典的卷积核尺寸设置方法

卷积核尺寸就是指卷积核的长度，宽度，深度，记为L×W×D，其中L代表长度，W代表宽度，D代表深度。设置卷积核的尺寸就是指确定L，W，D的具体数值。一般地，在达到相同感受野的情况下，卷积核越小，所需要的参数和计算量越小。具体来说，卷积核的长度和宽度必须大于1才有提升感受野的作用，而大小为偶数的卷积核即使对称地加补零操作也不能保证输入特征谱尺寸和输出特征谱尺寸不变，一般都用3作为卷积核大小。卷积核尺寸设置方法详见文献“Lecun Y,Bottou L,Bengio Y,et al.Gradient-based learningapplied to document recognition[J].Proceedings of the IEEE,1998,86(11):2278-2324.”。

定义6：经典的卷积核步长设置方法

卷积核步长就是指每次移动卷积核的长度，记为S。设置卷积核的步长就是指确定S的具体数值。一般地，步长越大，提取特征越少；反之，提取特征越多。一般卷积层都用1作为卷积核步长，最大池化层都用2作为卷积核步长。经典的卷积核步长设置方法详见文献“Lecun Y,Bottou L,Bengio Y,et al.Gradient-based learning applied to documentrecognition[J].Proceedings of the IEEE,1998,86(11):2278-2324.”。

定义7：经典的卷积层

卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。经典的卷积层详见网站“https://www.zhihu.com/question/49376084”。

定义8：经典的最大池化层

最大池化层用于提取前一层网络区域内所有神经元的最大值，目的是为了在反向传播中，需要把梯度值传到对应最大值所在的位置。最大池化层能减小卷积层参数误差造成估计均值的偏移，更多的保留纹理信息。经典的最大池化层详见文献“Lin M,Chen Q,YanS.Network in network[J].arXiv preprint arXiv:1312.4400,2013.”。

定义9：经典的3×3卷积方法

3×3卷积，即特征通过长度，宽度均为3卷积核的处理。若只使用3×3的卷积核，通过多个3×3卷积层叠加能获得与大卷积核相同的感受野，同时引入更多的非线性，减少了参数。经典的3×3卷积方法详见网站“https://www.cnblogs.com/shine-lee/p/11673625.html”。

定义10：级联操作

级联操作，即concatenate操作，是网络结构设计中很重要的一种操作，经常用于将特征联合，多个卷积特征提取框架提取的特征融合或者是将输出层的信息进行融合。级联操作是通道数的合并，也就是说描述图像本身的特征增加了，而每一特征下的信息是没有增加。在本发明中实现的二维向量的级联操作，相当于拉长二维向量。级联操作详见网站“https://blog.csdn.net/u012193416/article/details/79479935”。

定义11：经典的群卷积模块

群卷积，是3×3卷积核的替代模块。群卷积的输入是

，其中/>

表示定义10中的级联操作运算符号，群卷积的输出是/>

，其中y₁＝x₁，y₂＝conv^3×3(x₂)，y₃＝conv^3×3(x₃+y₂)，y₄＝conv^3×3(x₄+y₃)，其中conv^3×3(·)表示定义11中的3×3卷积运算符号。群卷积模块实现了单层层次上建立多尺度特征提取块，这些分块可以丰富多尺度SAR舰船的特征表示能力。经典的群卷积模块详见文献“Lin,T.-Y.；Dollar,P.；Girshick,R.；He,K.；Hariharan,B.；et al.Feature pyramid networks for objectdetection.In Proceedings of the IEEE Conference on Computer Vision andPattern Recognition(CVPR),2017；pp.936-944.”。

定义12：ResNet-101

ResNet算法在2015年被提出，在ImageNet比赛classification任务上获得第一名。ResNet-101是ResNet算法中网络层数为101层的版本，检测，分割，识别等领域的很多方法都建立在ResNet-101的基础上完成。ResNet算法提出了残差结构，保证了网络加深条件下的准确率。ResNet算法多作为两阶段检测器的特征提取网络，目前为现有技术中检测精度较优的方法。ResNet详见文献“He,K.；Zhang,X.；Ren,S.；Sun,J.Deep residuallearning for image recognition.In Proceedings of the IEEE Conference onComputer Vision and Pattern Recognition(CVPR),2016；pp.770-778.”。

定义13：经典的图像重采样方法

经典的图像重采样指在对采样后形成的由离散数据组成的数字图像按所需的像元位置或像元间距重新采样，以构成几何变换后的新图像。重采样过程本质上是图像恢复过程,它用输入的离散数字图像重建代表原始图像二维连续函数,再按新的像元间距和像元位置进行采样。其数学过程是根据重建的连续函数(曲面),用周围二像元点的值估计或内插出新采样点的值,相当于用采样函数与输入图像作二维卷积运算。经典的图像重采样方法详见文献“李心爱.图像滤波检测和重采样检测方法研究[D].西安理工大学,2017.”。

定义14：经典的Adam算法

经典的Adam算法是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重。Adam算法和传统的随机梯度下降不同。随机梯度下降保持单一的学习率更新所有的权重，学习率在训练过程中并不会改变。而Adam通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率。详见文献“Kingma,D.；Ba,J.Adam:A Method for Stochastic Optimization.arXiv 2014,arXiv:1412.6980.”。

定义15：标准的检测网络测试方法

标准的检测网络测试方法指在测试集上对检测模型进行最终测试，得到检测模型在测试集上的检测结果。详见文献“C.Lu,and W.Li,“Ship Classification in High-Resolution SAR Images via Transfer Learning with Small Training Dataset,”Sensors,vol.19,no.1,pp.63,2018.”。

定义16：经典的评价指标计算方法

精确率Precision指在所有预测得到的正样本中，预测正确的数量。精确率Precision定义为

其中#表示数字，TP表示真正例，FP表示真负例；

召回率Recall指在所有的正样本中，预测正确的数量。召回率Recall定义为

其中#表示数字，TP表示真正例，FN表示假负例；

平均精度AP同时兼顾了检测模型的精确率Precision和召回率Recall。平均精度AP定义为

其中P(R)表示以Recall为自变量，Precision为因变量的函数；

以上参数数值的求法详见文献“李航.统计学习方法[M].北京:清华大学出版社,2012.”。

本发明提供了一种基于比例尺网络的SAR船只检测方法，它包括以下几个步骤：

步骤1、准备数据集

对于定义1中提供的公知的SSDD数据集，采用随机的方法调整SSDD数据集中的SAR图像次序，得到新的SSDD数据集，记为SSDD_new；

按照8:2的比例将SSDD_new数据集划分为两部分，得到训练集和测试集，训练集记为Train，测试集记为Test；

步骤2、构建比例尺网络

步骤2.1：建立第1层特征提取层

采用定义2中的经典的卷积神经网络方法建立比例尺网络的输入层，得到由经典的卷积神经网络组成的比例尺网络的第1层，记为f₁，该层由定义7中经典的卷积层和定义8中经典的最大池化层组成，分别记为C₁，M₁，其中根据定义4中的卷积核原理，采用定义5中经典卷积核尺寸设置方法设置C₁的卷积核尺寸为7×7×64，采用定义6中经典卷积核步长设置方法设置C₁的卷积核步长为2，采用定义6中经典卷积核步长设置方法设置M₁的卷积核步长为2；

由此得到第1层特征提取层，记为A₁；

步骤2.2：建立第2层特征提取层

采用定义2中的经典的卷积神经网络方法建立比例尺网络的中间层，得到由经典的卷积神经网络组成的比例尺网络的第2层，记为f₂，该层由2个定义7中经典的卷积层和1个定义11中经典的群卷积模块组成，分别记为C_2.1，C_2.2，M₂，其中根据定义4中的卷积核原理，采用定义5中经典卷积核尺寸设置方法设置C_2.1的卷积核尺寸为1×1×64，采用定义6中经典卷积核步长设置方法设置C_2.1的卷积核步长为1，采用定义5中经典卷积核尺寸设置方法设置C_2.2的卷积核尺寸为1×1×256，采用定义6中经典卷积核步长设置方法设置C_2.2的卷积核步长为1；

由此得到第2层特征提取层，记为A₂；

步骤2.3：建立第3层特征提取层

采用定义2中的经典的卷积神经网络方法建立比例尺网络的中间层，得到由经典的卷积神经网络组成的比例尺网络的第3层，记为f₃，该层由2个定义7中经典的卷积层和1个定义11中经典的群卷积模块组成，分别记为C_3.1，C_3.2，M₃，其中根据定义4中的卷积核原理，采用定义5中经典卷积核尺寸设置方法设置C_3.1的卷积核尺寸为1×1×128，采用定义6中经典卷积核步长设置方法设置C_3.1的卷积核步长为1，采用定义5中经典卷积核尺寸设置方法设置C_3.2的卷积核尺寸为1×1×512，采用定义6中经典卷积核步长设置方法设置C_3.2的卷积核步长为1；

得到第3层特征提取层，记为A₃；

步骤2.4：建立第4层特征提取层

采用定义2中的经典的卷积神经网络方法建立比例尺网络的中间层，得到由经典的卷积神经网络组成的比例尺网络的第4层，记为f₄，该层由2个定义7中经典的卷积层和1个定义11中经典的群卷积模块组成，分别记为C_4.1，C_4.2，M₄，其中根据定义4中的卷积核原理，采用定义5中经典卷积核尺寸设置方法设置C_4.1的卷积核尺寸为1×1×256，采用定义6中经典卷积核步长设置方法设置C_4.1的卷积核步长为1，采用定义5中经典卷积核尺寸设置方法设置C_4.2的卷积核尺寸为1×1×1024，采用定义6中经典卷积核步长设置方法设置C_4.2的卷积核步长为1；

得到第4层特征提取层，记为A₄；

步骤2.5：建立第5层特征提取层

采用定义2中的经典的卷积神经网络方法建立比例尺网络的中间层，得到由经典的卷积神经网络组成的比例尺网络的第5层，记为f₅，该层由2个定义7中经典的卷积层和1个定义11中经典的群卷积模块组成，分别记为C_5.1，C_5.2，M₅，其中根据定义4中的卷积核原理，采用定义5中经典卷积核尺寸设置方法设置C_5.1的卷积核尺寸为1×1×512，采用定义6中经典卷积核步长设置方法设置C_5.1的卷积核步长为1，采用定义5中经典卷积核尺寸设置方法设置C_5.2的卷积核尺寸为1×1×2048，采用定义6中经典卷积核步长设置方法设置C_5.2的卷积核步长为1；

得到第5层特征提取层，记为A₅；

最终，得到构建的比例尺网络，记为Backbone；

步骤3、建立船只检测模型

采用定义13中的经典的图像重采样的方法将步骤1中的Train进行重采样，得到长度和宽度均为512×512的新训练集，记为Train_Reszie；

将重采样后的新训练集Train_Reszie作为输入，在步骤2.5中的得到的比例尺网络Backbone上采用定义14中的经典的Adam算法进行训练，训练完成后得到船只检测模型，记为SIS-Net；

步骤4、测试船只检测模型

采用定义13中的经典的图像重采样的方法将步骤1中的Test进行重采样，得到长度和宽度均为512×512的新测试集，记为Test_Reszie；

将重采样后的新测试集Test_Reszie作为输入，在步骤3中得到的船只检测模型SIS-Net上采用定义15中的标准的检测网络测试方法进行测试，得到测试集在船只检测模型的测试结果，记为Result；

步骤5、评估船只检测模型

以步骤4中得到的船只检测模型的测试结果Result作为输入，采用定义16中的经典的评价指标计算方法，求出平均精度，召回率和精确率，分别记为AP,Recall和Precision；

至此，整个方法结束。

本发明的创新点在于使用群卷积模块构建SAR船只检测模型，该模型可以提供单层网络中更丰富的多尺度信息，使得本发明中的船只检测模型具有更优越的多尺度船舶检测性能。在公知的SAR船只数据集(即SSDD数据集)上的实验结果表明，与现有技术中定义12中的ResNet-101相比较，本发明可将SAR船只检测精度提高约5％。

本发明的优点在于实现了船只检测中更丰富多尺度信息的提取，能够提供SAR图像中船只目标检测的方法，克服现有技术检测精度不足的问题。

附图说明

图1为本发明中的SAR船只目标检测方法的流程示意图。

图2为本发明中的SAR船只目标检测方法的平均精度，召回率和精确率。

具体实施方式

下面结合附图1对本发明的作进一步详细描述。

步骤1、准备数据集

如图1所示，对于定义1中提供的公知的SSDD数据集，采用随机的方法调整SSDD数据集中的SAR图像次序，得到新的SSDD数据集，记为SSDD_new；

步骤2、构建比例尺网络

步骤2.1：建立第1层特征提取层

如图1所示，采用定义2中的经典的卷积神经网络方法建立比例尺网络的输入层，得到由经典的卷积神经网络组成的比例尺网络的第1层，记为f₁，该层由定义7中经典的卷积层和定义8中经典的最大池化层组成，分别记为C₁，M₁，其中根据定义4中的卷积核原理，采用定义5中经典卷积核尺寸设置方法设置C₁的卷积核尺寸为7×7×64，采用定义6中经典卷积核步长设置方法设置C₁的卷积核步长为2，采用定义6中经典卷积核步长设置方法设置M₁的卷积核步长为2；

由此得到第1层特征提取层，记为A₁；

步骤2.2：建立第2层特征提取层

如图1所示，采用定义2中的经典的卷积神经网络方法建立比例尺网络的中间层，得到由经典的卷积神经网络组成的比例尺网络的第2层，记为f₂，该层由2个定义7中经典的卷积层和1个定义11中经典的群卷积模块组成，分别记为C_2.1，C_2.2，M₂，其中根据定义4中的卷积核原理，采用定义5中经典卷积核尺寸设置方法设置C_2.1的卷积核尺寸为1×1×64，采用定义6中经典卷积核步长设置方法设置C_2.1的卷积核步长为1，采用定义5中经典卷积核尺寸设置方法设置C_2.2的卷积核尺寸为1×1×256，采用定义6中经典卷积核步长设置方法设置C_2.2的卷积核步长为1；

由此得到第2层特征提取层，记为A₂；

步骤2.3：建立第3层特征提取层

如图1所示，采用定义2中的经典的卷积神经网络方法建立比例尺网络的中间层，得到由经典的卷积神经网络组成的比例尺网络的第3层，记为f₃，该层由2个定义7中经典的卷积层和1个定义11中经典的群卷积模块组成，分别记为C_3.1，C_3.2，M₃，其中根据定义4中的卷积核原理，采用定义5中经典卷积核尺寸设置方法设置C_3.1的卷积核尺寸为1×1×128，采用定义6中经典卷积核步长设置方法设置C_3.1的卷积核步长为1，采用定义5中经典卷积核尺寸设置方法设置C_3.2的卷积核尺寸为1×1×512，采用定义6中经典卷积核步长设置方法设置C_3.2的卷积核步长为1；

得到第3层特征提取层，记为A₃；

步骤2.4：建立第4层特征提取层

如图1所示，采用定义2中的经典的卷积神经网络方法建立比例尺网络的中间层，得到由经典的卷积神经网络组成的比例尺网络的第4层，记为f₄，该层由2个定义7中经典的卷积层和1个定义11中经典的群卷积模块组成，分别记为C_4.1，C_4.2，M₄，其中根据定义4中的卷积核原理，采用定义5中经典卷积核尺寸设置方法设置C_4.1的卷积核尺寸为1×1×256，采用定义6中经典卷积核步长设置方法设置C_4.1的卷积核步长为1，采用定义5中经典卷积核尺寸设置方法设置C_4.2的卷积核尺寸为1×1×1024，采用定义6中经典卷积核步长设置方法设置C_4.2的卷积核步长为1；

得到第4层特征提取层，记为A₄；

步骤2.5：建立第5层特征提取层

如图1所示，采用定义2中的经典的卷积神经网络方法建立比例尺网络的中间层，得到由经典的卷积神经网络组成的比例尺网络的第5层，记为f₅，该层由2个定义7中经典的卷积层和1个定义11中经典的群卷积模块组成，分别记为C_5.1，C_5.2，M₅，其中根据定义4中的卷积核原理，采用定义5中经典卷积核尺寸设置方法设置C_5.1的卷积核尺寸为1×1×512，采用定义6中经典卷积核步长设置方法设置C_5.1的卷积核步长为1，采用定义5中经典卷积核尺寸设置方法设置C_5.2的卷积核尺寸为1×1×2048，采用定义6中经典卷积核步长设置方法设置C_5.2的卷积核步长为1；

得到第5层特征提取层，记为A₅；

最终，得到构建的比例尺网络，记为Backbone；

步骤3、建立船只检测模型

如图1所示，采用定义13中的经典的图像重采样的方法将步骤1中的Train进行重采样，得到长度和宽度均为512×512的新训练集，记为Train_Reszie；

步骤4、测试船只检测模型

如图1所示，采用定义13中的经典的图像重采样的方法将步骤1中的Test进行重采样，得到长度和宽度均为512×512的新测试集，记为Test_Reszie；

步骤5、评估船只检测模型

如图1所示，以步骤4中得到的船只检测模型的测试结果Result作为输入，采用定义16中的经典的评价指标计算方法，求出平均精度，召回率和精确率，分别记为AP,Recall和Precision；

至此，整个方法结束。

如图2所示，在公知的SAR船只数据集(即SSDD数据集)上的实验结果表明，本发明实现了比现有技术中定义12中的ResNet-101更高的平均精度，召回率和精确率，表明本发明能够实现高精度的SAR船只目标检测。

Claims

1.一种基于比例尺网络的SAR船只检测方法，其特征是它包括以下几个步骤：

步骤1、准备数据集

对于公知的SSDD数据集，采用随机的方法调整SSDD数据集中的SAR图像次序，得到新的SSDD数据集，记为SSDD_new；

步骤2、构建比例尺网络

步骤2.1：建立第1层特征提取层

采用经典的卷积神经网络方法建立比例尺网络的输入层，得到由经典的卷积神经网络组成的比例尺网络的第1层，记为f₁，该层由经典的卷积层和经典的最大池化层组成，分别记为C₁，M₁，其中根据卷积核原理，采用经典卷积核尺寸设置方法设置C₁的卷积核尺寸为7×7×64，采用经典卷积核步长设置方法设置C₁的卷积核步长为2，采用经典卷积核步长设置方法设置M₁的卷积核步长为2；

由此得到第1层特征提取层，记为A₁；

步骤2.2：建立第2层特征提取层

采用经典的卷积神经网络方法建立比例尺网络的中间层，得到由经典的卷积神经网络组成的比例尺网络的第2层，记为f₂，该层由2个经典的卷积层和1个经典的群卷积模块组成，分别记为C_2.1，C_2.2，M₂，其中根据卷积核原理，采用经典卷积核尺寸设置方法设置C_2.1的卷积核尺寸为1×1×64，采用经典卷积核步长设置方法设置C_2.1的卷积核步长为1，采用经典卷积核尺寸设置方法设置C_2.2的卷积核尺寸为1×1×256，采用经典卷积核步长设置方法设置C_2.2的卷积核步长为1；

由此得到第2层特征提取层，记为A₂；

步骤2.3：建立第3层特征提取层

采用经典的卷积神经网络方法建立比例尺网络的中间层，得到由经典的卷积神经网络组成的比例尺网络的第3层，记为f₃，该层由2个经典的卷积层和1个经典的群卷积模块组成，分别记为C_3.1，C_3.2，M₃，其中根据卷积核原理，采用经典卷积核尺寸设置方法设置C_3.1的卷积核尺寸为1×1×128，采用经典卷积核步长设置方法设置C_3.1的卷积核步长为1，采用经典卷积核尺寸设置方法设置C_3.2的卷积核尺寸为1×1×512，采用经典卷积核步长设置方法设置C_3.2的卷积核步长为1；

得到第3层特征提取层，记为A₃；

步骤2.4：建立第4层特征提取层

采用经典的卷积神经网络方法建立比例尺网络的中间层，得到由经典的卷积神经网络组成的比例尺网络的第4层，记为f₄，该层由2个经典的卷积层和1个经典的群卷积模块组成，分别记为C_4.1，C_4.2，M₄，其中根据卷积核原理，采用经典卷积核尺寸设置方法设置C_4.1的卷积核尺寸为1×1×256，采用经典卷积核步长设置方法设置C_4.1的卷积核步长为1，采用经典卷积核尺寸设置方法设置C_4.2的卷积核尺寸为1×1×1024，采用经典卷积核步长设置方法设置C_4.2的卷积核步长为1；

得到第4层特征提取层，记为A₄；

步骤2.5：建立第5层特征提取层

采用经典的卷积神经网络方法建立比例尺网络的中间层，得到由经典的卷积神经网络组成的比例尺网络的第5层，记为f₅，该层由2个经典的卷积层和1个经典的群卷积模块组成，分别记为C_5.1，C_5.2，M₅，其中根据卷积核原理，采用经典卷积核尺寸设置方法设置C_5.1的卷积核尺寸为1×1×512，采用经典卷积核步长设置方法设置C_5.1的卷积核步长为1，采用经典卷积核尺寸设置方法设置C_5.2的卷积核尺寸为1×1×2048，采用经典卷积核步长设置方法设置C_5.2的卷积核步长为1；

得到第5层特征提取层，记为A₅；

最终，得到构建的比例尺网络，记为Backbone；

步骤3、建立船只检测模型

采用经典的图像重采样的方法将步骤1中的Train进行重采样，得到长度和宽度均为512×512的新训练集，记为Train_Reszie；

将重采样后的新训练集Train_Reszie作为输入，在步骤2.5中的得到的比例尺网络Backbone上采用经典的Adam算法进行训练，训练完成后得到船只检测模型，记为SIS-Net；

步骤4、测试船只检测模型

采用经典的图像重采样的方法将步骤1中的Test进行重采样，得到长度和宽度均为512×512的新测试集，记为Test_Reszie；

将重采样后的新测试集Test_Reszie作为输入，在步骤3中得到的船只检测模型SIS-Net上采用标准的检测网络测试方法进行测试，得到测试集在船只检测模型的测试结果，记为Result；

步骤5、评估船只检测模型

以步骤4中得到的船只检测模型的测试结果Result作为输入，采用经典的评价指标计算方法，求出平均精度，召回率和精确率，分别记为AP,Recall和Precision；

至此，整个方法结束。