一种基于卷积神经网络的SAR图像舰船检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115841629A(43)申请公布日2023.03.24(21)申请号202211596677.7G06V10/82(2022.01)(22)申请日2022.12.12G06N3/0464(2023.01)G06N3/08(2023.01)(71)申请人中国人民武装警察部队海警学院地址315800浙江省宁波市北仑区小港街道振兴西路205号(72)发明人孟春宁孙泽群张志清(74)专利代理机构宁波甬致专利代理有限公司33228专利代理师袁波(51)Int.Cl.G06V20/13(2022.01)G06V10/44(2022.01)G06V10/26(2022.01)G06V10/80(2022.01)G06V10/764(2022.01)权利要求书2页说明书11页附图2页(54)发明名称一种基于卷积神经网络的SAR图像舰船检测方法(57)摘要本发明提供了一种基于卷积神经网络的SAR图像舰船检测方法，包括：步骤S1，获取至少一合成孔径雷达输出的包含多个海洋舰船的一高分辨率SAR图像；步骤S2，对各高分辨率SAR图像分别进行预处理得到对应的一预处理后SAR图像；步骤S3，针对每个预处理后SAR图像，将预处理后SAR图像输入至预先构建得到的一多尺度特征金字塔网络模型中进行多尺度海洋舰船的检测和实例分割，并得到包含不同尺度的海洋舰船的一特征结果图。有益效果是本发明提出一种多尺度特征金字塔模型，能够从复杂背景中检测和实例分割小物体，并能够自适应选择重要的多尺度特征图，用于检测和分割得到多尺度海洋舰船。CN115841629ACN115841629A权利要求书1/2页1.一种基于卷积神经网络的SAR图像舰船检测方法，其特征在于，包括：步骤S1，获取至少一合成孔径雷达输出的包含多个海洋舰船的一高分辨率SAR图像；步骤S2，对各所述高分辨率SAR图像分别进行预处理得到对应的一预处理后SAR图像；步骤S3，针对每个所述预处理后SAR图像，将所述预处理后SAR图像输入至预先构建得到的一多尺度特征金字塔网络模型中进行多尺度海洋舰船的检测和实例分割，并得到包含不同尺度的海洋舰船的一特征结果图。2.根据权利要求1所述的SAR图像舰船检测方法，其特征在于，所述步骤S2中的预处理方法为数据清洗和数据降噪。3.根据权利要求1所述的SAR图像舰船检测方法，其特征在于，执行所述步骤S3之前还包括一模型构建过程，所述模型构建过程通过将多个卷积金字塔模块和多个多尺度注意机制模块嵌入至特征金字塔网络中得到所述多尺度特征金字塔网络模型，所述模型构建过程包括：步骤A1，设置四个所述卷积金字塔模块以对所述预处理后SAR图像进行第一阶段至第四阶段的特征提取得到对应的特征信息；步骤A2，将四个所述卷积金字塔模块的输出通道与所述特征金字塔网络相连接以使所述特征金字塔网络对各所述特征信息进行特征融合得到特征融合图像；步骤A3，设置四个所述多尺度注意机制模块并将四个所述多尺度注意机制模块的输出通道均与所述特征金字塔网络的输出通道相连接，以对所述特征融合图像进行多尺度海洋舰船的检测和实例分割，并得到包含不同尺度的海洋舰船的所述特征结果图。4.根据权利要求3所述的SAR图像舰船检测方法，其特征在于，所述步骤A1中，各所述卷积金字塔模块的输入通道分别设置为256、512、1024和2048以进行不同阶段的特征提取，各所述卷积金字塔模块的输出通道均设置为256以使各所述卷积金字塔模块的输出通道与所述特征金字塔网络的输入通道对齐。5.根据权利要求3所述的SAR图像舰船检测方法，其特征在于，每个所述卷积金字塔模块均包含三个平行的3×3卷积层和一个1×1卷积层，各所述卷积层的扩张率分别为1、2和4以达到不同的感受野，则所述步骤S3中，所述多尺度特征金字塔网络模型通过最上层的所述卷积金字塔模块内的各所述3×3卷积层对所述预处理后SAR图像进行不同感受野下的特征提取得到对应的所述特征信息，并经由所述1×1卷积层进行通道降维后输入至下层的所述卷积金字塔模块内进行下一步特征提取，待各所述卷积金字塔模块均完成特征提取后，将各所述特征信息输入至所述特征金字塔网络内进行特征融合。6.根据权利要求3所述的SAR图像舰船检测方法，其特征在于，所述步骤A3中，每个所述多尺度注意机制模块内均包含不同数量的级联3×3卷积层，将原先具有n个通道的级联3×3卷积层分成多个具有w个通道的级联小卷积组且各所述级联小卷积组之间以分层残差的方式连接，各所述级联小卷积组的输出通道连接依次连接两个全连接层，则所述步骤S3中，所述多尺度特征金字塔模型通过各所述级联小卷积组对所述特征融合图像进行实例分割和特征提取得到不同尺度的一特征图，随后通过两个所述全连接层和池化方法重新校准