基于场景特性学习的半监督SAR舰船检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115953695A(43)申请公布日2023.04.11(21)申请号202310015820.7G06V10/25(2022.01)(22)申请日2023.01.05G06N3/0464(2023.01)(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)发明人杜兰杜宇昂郭昱辰石钰李毅(74)专利代理机构陕西电子工业专利中心61205专利代理师王品华(51)Int.Cl.G06V20/13(2022.01)G06V10/764(2022.01)G06V10/774(2022.01)G06V10/82(2022.01)G06N3/08(2023.01)权利要求书4页说明书8页附图2页(54)发明名称基于场景特性学习的半监督SAR舰船检测方法(57)摘要本发明公开了一种基于场景特性学习的半监督SAR舰船检测方法，主要解决现有技术在网络训练时对目标级标注的SAR图像依赖过高，且对复杂场景目标检测虚警过多的问题，其方案为：采集大幅SAR图像生成训练集；构建半监督SAR舰船检测网络，并对其进行训练；将待测试SAR图像输入到训练好的半监督SAR舰船检测网络中，得出不同场景测试子图像的目标框位置和类别；将每张测试子图像的目标框位置映射到待测试的每张大幅SAR图像的对应位置上，得到大幅SAR图像的舰船检测结果。本发明减轻了网络训练对目标级标注的依赖，降低了内陆虚警、近岸虚警和远海漏警，提升了SAR舰船检测性能，可用于从SAR图像中检测出感兴趣的舰船目标。CN115953695ACN115953695A权利要求书1/4页1.一种基于场景特性学习的半监督SAR舰船检测方法，其特征在于，包括如下步骤：(1)生成训练集：采集至少21张大幅SAR图像，将每张大幅SAR图像裁剪为512×512大小的多张子图像；从包含舰船目标的子图像中随机挑选30％进行目标级标记和场景级标记，其余的子图像只进行场景级标记，将所有标记后的子图像组成训练集；(2)构建半监督SAR舰船检测网络：(2a)搭建一个由八个卷积块串联组成的特征提取子网络；(2b)搭建一个由四个卷积块和四个检测头组成的检测子网络，其中四个卷积块首先依次串联连接，然后每个卷积块再分别与其对应的检测头连接；(2c)搭建由场景识别模块和场景聚合模块并联组成的场景特性学习子网络；(2d)将场景特性学习子网络与检测子网络并联，然后将它们与特征提取子网络串联构成半监督SAR舰船检测网络；(3)将训练集输入到半监督SAR舰船检测网络中，利用随机梯度下降算法，迭代更新网络的权重值，优化网络的总损失函数直至其收敛，得到训练好的半监督SAR舰船检测网络；(4)检测待测试SAR图像中的目标框位置：(4a)将待测试的大幅SAR图像滑窗裁剪为多张512×512大小的子图像；(4b)将每张测试子图像依次输入到训练好的特征提取子网络和场景识别模块中，得到测试子图像的场景识别结果；(4c)根据场景识别结果，得出目标框位置和目标框类别：对于场景识别结果为内陆场景的测试子图像，输出检测结果为无目标；对于场景识别结果为近岸场景的测试子图像，将该测试子图像输入到检测子网络中，并设置近岸检测阈值thin，得到该测试子图像的目标框位置和目标框类别；对于场景识别结果为远海场景的测试子图像，将该测试子图像输入到检测子网络中，并设置远海检测阈值thoff，得到该测试子图像的目标框位置和目标框类别；(5)依照滑窗的顺序，将每张测试子图像的目标框位置映射到待测试的每张大幅SAR图像的对应位置上，得到大幅SAR图像的舰船检测结果。2.根据权利要求1所述的方法，其特征在于：步骤(2a)搭建的特征提取子网络中，各卷积块的结构参数如下：第一卷积块中包含卷积层和池化层，其中卷积层个数设置为1，该卷积层的卷积核大小设置为7×7，池化层个数设置为1，池化区域大小设置为2×2；第二卷积块的卷积层个数设置为4，该4个卷积层的卷积核大小分别设置为1×1，3×3，1×1，1×1；第三卷积块的卷积层个数设置为3，该3个卷积层的卷积核大小分别设置为1×1，3×3，1×1；第四卷积块、第六卷积块、第七卷积块、第八卷积块的卷积层个数和卷积核大小均与第三卷积块相同；第五卷积块的卷积层个数和卷积核大小与第二卷积块相同。3.根据权利要求1所述的方法，其特征在于：步骤(2b)搭建的检测子网络中，各卷积块的结构参数如下：2CN115953695A权利要求书2/4页第一卷积块的卷积层个数设置为10，该10个卷积层的卷积核大小分别设置为1×1，3×3，1×1，1×1，1×1，3×3，1×1，1×1，3×3，1×1；第二卷积块的卷积层个数设置为9，该9个卷积层的卷积核大小分别设置为1×1，3×3，1×1，1×