基于掩码网络融合图像特征的SAR舰船目标检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115965862A(43)申请公布日2023.04.14(21)申请号202211567684.4G06N3/045(2023.01)(22)申请日2022.12.07(71)申请人西安电子科技大学地址710071陕西省西安市太白南路2号(72)发明人雷杰郭怡杨埂谢卫莹李云松(74)专利代理机构陕西电子工业专利中心61205专利代理师田文英王品华(51)Int.Cl.G06V20/10(2022.01)G06V10/82(2022.01)G06V10/30(2022.01)G06V10/26(2022.01)G06V10/80(2022.01)权利要求书4页说明书12页附图5页(54)发明名称基于掩码网络融合图像特征的SAR舰船目标检测方法(57)摘要本发明提出了一种基于掩码网络融合图像特征的SAR舰船目标检测方法，其步骤为：利用舰船目标与背景的亮度梯度差生成自适应的SAR图像舰船语义分割标签；构建掩码特征融合子网络与掩码特征融合目标检测网络；利用构建的损失函数对目标检测网络进行迭代训练；获取测试样本的目标包围框坐标和置信度。本发明通过生成自适应的SAR图像舰船掩码标签使数据集缺少掩码标签时也能将目标检测与分割任务结合起来；构建了一个掩码特征融合子网络，突出舰船目标特征，抑制背景信息，提升了目标检测精度；为网络设计损失函数，解决了图像前景背景不平衡和训练过程不稳定的问题。CN115965862ACN115965862A权利要求书1/4页1.一种基于掩码网络融合图像特征的SAR舰船目标检测方法，其特征在于，利用船舶和背景亮度梯度差生成自适应的SAR图像舰船语义分割标签，构建掩码特征融合目标检测网络，构建带权重的交叉熵损失函数；该目标检测方法的步骤包括如下：步骤1，生成样本集：步骤1.1，收集至少900张尺度大于320×320像素的SAR船舶图像样本，每个样本至少包含一个船舶目标；步骤1.2，为每个样本标注目标检测标签文件，每个目标检测标签文件中包含对应样本中的所有船舶目标的包围盒坐标；步骤1.3，将所有SAR船舶图像样本及其对应的目标检测标签文件组成样本集；步骤2，利用船舶和背景亮度梯度差生成自适应的SAR图像舰船语义分割标签：步骤2.1，将样本集中的每个样本的目标检测标签中每个包围盒的坐标放大1.5倍，得到放大后的每个包围盒的坐标；步骤2.2，依据放大后的坐标位置，从每个样本中裁剪出该样本包含的所有舰船目标，组成该样本的目标切片图；步骤2.3，依次采用双边滤波与自适应中值滤波，对每张目标切片图进行滤波；双边滤波选用的滤波核大小为5，滤波范围为10；根据滤波器窗口覆盖区域的灰度值动态地调整滤波器窗口大小；步骤2.4，利用最大类间方差法OTSU，对滤波后每张目标切片图进行自适应处理，得到每张目标切片图对应的二值目标切片图；步骤2.5，对每张二值目标切片图依次执行腐蚀膨胀与膨胀腐蚀操作，得到处理后的二值目标切片图；步骤2.6，按照步骤1.1包围盒的大小坐标，对每张处理后的二值目标切片图进行裁剪，将裁剪后的二值目标切片图贴在与样本尺度大小相同且像素值全为0的全黑图像上，得到舰船目标像素值为255，背景像素值为0的语义分割掩码标签；步骤3，生成训练集：步骤3.1，对训练样本集中的每个样本执行自适应SAR图像舰船语义分割标签生成操作，得到训练样本集语义分割标签；步骤3.2，对训练样本集中的每个样本以及其对应的语义分割掩码标签进行预处理，得到预处理后的训练样本、语义分割标签和目标检测标签；步骤3.3，将预处理后的所有训练样本、语义分割标签和目标检测标签组成训练集；步骤4，构建由掩码特征融合子网络、特征提取子网络、多尺度特征融合子网络及其检测头组成的掩码特征融合目标检测网络：步骤4.1，搭建一个8层的掩码特征融合子网络，该子网络包括：第一GateC模块、第一CSP模块、第二GateC模块、第二CSP模块、卷积层、sigmoid层、第一卷积采样层、第二卷积采样层；其中，第一GateC模块，第一CSP模块，第二GateC模块，第二CSP模块，卷积层，sigmoid层串联；第一卷积采样层与第一GateC模块串联；第二卷积采样层与第二GateC模块串联；将第一、第二CSP模块的输入通道分别设置为64和32，输出通道分别设置为64和32，BottleNeck模块个数均设置为1，均关闭残差结构；所述第一、第二卷积采样层的网络结构相同，均由一个卷积层和一个上采样层串联组成；将第一、第二卷积采样层中的卷积层的输2CN115965862A权利要求书2/4页入通道分别设置为128和256，输出通道均设置为1，卷积核大小均设置为1×1，步长均设置为1；第一、第二个卷积采样层中的上采样层均设置为640