一种轻量化的SAR图像舰船目标检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115047455A(43)申请公布日2022.09.13(21)申请号202210588163.0(22)申请日2022.05.27(71)申请人南京理工大学地址210094江苏省南京市孝陵卫200号(72)发明人郑纯蔡阳葳陈志华(74)专利代理机构南京理工大学专利中心32203专利代理师徐新艳(51)Int.Cl.G01S13/90(2006.01)G06V10/764(2022.01)G06V10/774(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书6页附图3页(54)发明名称一种轻量化的SAR图像舰船目标检测方法(57)摘要本申请提供一种轻量化的SAR图像舰船目标检测方法，包括，构建轻量化目标网络；构建SAR图像舰船目标数据集；舰船目标数据集包括训练集，验证集和测试集；对舰船目标中的数据进行数据增强；训练目标网络；利用测试集对训练好的目标网络进行检测。本申请引入MobileNetV2和深度可分离卷积网络对YOLOV3网络进行轻量化改进，得到轻量化YOLOv3‑MD网络。并且在训练过程中引入数据增强以及SGD优化等方法，加快训练速度，同时使设计的目标检测模型对不同环境下获得的SAR图像具有更高的鲁棒性。CN115047455ACN115047455A权利要求书1/1页1.一种轻量化的SAR图像舰船目标检测方法，其特征在于，所述方法包括：步骤1，构建轻量化目标网络；步骤2，构建SAR图像舰船目标数据集；舰船目标数据集包括训练集，验证集和测试集；步骤3，对舰船目标中的数据进行数据增强；步骤4，训练目标网络；步骤5：利用测试集对训练好的目标网络进行检测。2.根据权利要求1所述的方法，其特征在于，构建轻量化目标网络，包括：将目标网络设定为从输入到输出依次包括MobileNetV2网络、多尺度特征融合网络以及检测头网络；其中，MobileNetV2网络为目标网络的主网络；对MobileNetV2网络引入注意力机制。3.根据权利要求2所述的方法，其特征在于，MobileNetV2网络包含依次堆叠的输入卷积层和第一组倒残差层、第二组倒残差层、第三组倒残差层、第四组倒残差层、第五组倒残差层、第六组倒残差层以及第七组倒残差层；其中，第五组倒残差层，第六组倒残差层，第七组倒残差层分别连接多尺度特征融合网络的三层。4.根据权利要求1所述的方法，其特征在于，构建SAR图像舰船目标数据集，包括：获取图片；用方框标记图片中的目标，生成舰船目标数据集；划分训练集，验证集和测试集。5.根据权利要求1所述的方法，其特征在于，对舰船目标中的数据进行数据增强，包括：对舰船目标数据集数据集进行光度失真增强处理和几何失真增强处理；其中，光度失真增强处理包括随机改变亮度、随机改变对比度以及变换颜色空间；几何失真增强处理包括随机扩张图片、随机剪裁、随机翻转图片以及缩放图片。6.根据权利要求1所述的方法，其特征在于，训练目标网络，包括：利用LeakyReLU激活函数，Focalloss分类损失函数，CIOU回归损失函数，SGD优化器对目标网络进行训练。2CN115047455A说明书1/6页一种轻量化的SAR图像舰船目标检测方法技术领域[0001]本发明属于雷达技术领域，具体涉及一种轻量化的SAR图像舰船目标检测方法。背景技术[0002]近年来，随着合成孔径雷达(SyntheticApertureRadar，SAR)发展进程的加快，雷达图像的质量和数量都取得了飞快的发展。SAR利用天线沿着长线阵的轨迹等速移动并辐射相参信号,把在不同位置接收的回波进行相干处理,从而获得具有较高分辨率的成像，具有不受光照和气候条件等限制的优点，从而实现全天时、全天候对地观测。在SAR用于舰船目标检测的工作时，目标舰船的尺寸大小及比例并不一致，检测的背景也十分复杂，给SAR舰船检测带来了极大的挑战。若在军事应用领域，将检测用于战斗舰船，则对SAR目标检测算法的精确率，检测速度以及网络的轻量化提出了更高的要求。[0003]然而传统的SAR图像舰船目标检测方法多基于恒虚警率(ConstantFalse‑AlarmRate，CFAR)算法展开，通常需要人工设计特征训练分类器，以达成识别舰船的目的。由于传统方法过于依赖于人工，导致其检测精度以及泛用性不高，易于受到海波、石礁以及海岸的干扰，在目前的对检测算法有保证检测速度的情况下，还同时要保持检测精确率，传统的SAR目标检测算法已经不再适用。[0004]随着人工智能的发展，基于深度学习的目标检测算法，因而其具有自我学习，网络设计简单，对各种环境的鲁棒性强等优点。正在逐步取代传统的检测方法。目前主流的基于深度学习的目标检测算法也