基于条带剪枝的轻量化SAR图像船舶检测模型及方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114283331A(43)申请公布日2022.04.05(21)申请号202111459379.9G06N3/08(2006.01)(22)申请日2021.12.02G06V10/46(2022.01)G06V10/80(2022.01)(71)申请人西安邮电大学G06V10/764(2022.01)地址710121陕西省西安市长安南路563号G06V10/82(2022.01)申请人西安空间无线电技术研究所西北工业大学(72)发明人白本督魏佳圆李映刘凌毅呼延烺(74)专利代理机构西北工业大学专利中心61204代理人刘新琼(51)Int.Cl.G06V20/10(2022.01)G06K9/62(2022.01)G06N3/04(2006.01)权利要求书2页说明书6页附图1页(54)发明名称基于条带剪枝的轻量化SAR图像船舶检测模型及方法(57)摘要本发明涉及一种基于条带剪枝的轻量化SAR图像船舶检测方法，属于图像处理技术领域。利用基于条带卷积的轻量化残差卷积网络提取不同深度的特征图；利用跳跃连接特征金字塔网络对不同深度特征进行融合，得到不同尺度的融合深度特征图；利用基于关键点的回归模型预测每个特征点对应位置的可能性概率和特征点位置到目标边缘的垂直距离，最终得到目标位置和概率。本方法利用基于条带卷积的轻量化残差卷积网络通过一次端对端的训练得到轻量化的残差卷积网络提升了模型的训练效率和模型鲁棒性；条带剪枝增加了剪枝的维度，进一步压缩了模型的参数量和计算量。CN114283331ACN114283331A权利要求书1/2页1.一种基于条带剪枝的轻量化SAR图像船舶检测模型，其特征在于包括基于条带卷积的轻量化残差卷积网络、跳跃连接特征金字塔网络和基于关键点的回归模型；利用基于条带卷积的轻量化残差卷积网络提取不同深度的特征图；利用基于条带卷积的轻量化残差卷积网络提取不同深度的特征图，将特征图传入跳跃连接特征金字塔网络得到充分融合深处特征和浅层特征的融合特征图，利用基于关键点的回归模型直接预测每个特征点的得分和预测框位置。2.根据权利要求1所述的一种基于条带剪枝的轻量化SAR图像船舶检测模型，其特征在于所述的基于条带卷积的轻量化残差卷积网络为ResNet50改进而得的，具体为将ResNet50网络中的标准3*3卷积核替换为条带卷积核和卷积核骨架矩阵，所述的条带卷积层由标准卷积层和卷积核骨架矩阵构成，计算时将卷积核与卷积核骨架矩阵点乘构成一般卷积核进行卷积操作；所述的卷积核骨架矩阵由可学习的参数构成，每个参数对应卷积核上的一个条带向量，参数越大则说明这个条带在提取特征时的权重越大，在训练过程中，当参数低于阈值时则该条带被去除进而实现条带剪枝。3.根据权利要求1所述的一种基于条带剪枝的轻量化SAR图像船舶检测模型，其特征在于所述的跳跃连接特征金字塔网对提取的4层特征图逐层进行自底向上和自顶向下两次融合得到不同尺寸的3层融合特征图。4.根据权利要求1所述的一种基于条带剪枝的轻量化SAR图像船舶检测模型，其特征在于所述的基于关键点的回归模型分为关键点置信度回归子网络和关键点距离回归子网络两部分，关键点置信度回归子网络预测关键点的得分图，按顺序由三个3x3卷积层，一个1x1卷积层和一个sigmoid函数构成，网络输出的得分图与输入特征图尺寸相同，得分图上元素的值表示原图对应位置点存在船舶目标关键点的概率；位置回归子网络预测关键点到预测框四边的距离，输出特征图的通道数为4，代表关键点的距离预测量(t1,t2,t3,t4)，预测框位置由关键点位置和关键点到预测框四边的距离定位，关键点到预测框边之间的距离由距离预测量和可学习尺度参数计算，其公式如下：di＝exp(lj)×exp(ti),fori＝1,2,3,4其中，di为距离预测量，lj为科学系尺寸参数，ti为网络距离预测量。5.一种权利要求1所述的模型实现的基于条带剪枝的轻量化SAR图像船舶检测方法，其特征在于步骤如下：步骤1：基于条带卷积的轻量化残差卷积网络提取多尺度特征图将SAR图像块传入基于条带卷积的轻量化残差卷积网络进行特征提取，经过50个条带卷积层提取出4个不同深度和尺寸的特征图，其特征图尺寸从大到小分别为[256,w/4,h/4],[512,w/8,h/8],[1024,w/16,h/16],[2048,w/32,h/32]，w,h为原图尺寸；步骤2：跳跃连接特征金字塔网络融合不同深度特征将步骤1得到的不同尺寸和深度的4个特征图传入跳跃连接特征金字塔网络对不同层特征进行融合，跳跃连接特征金字塔网络进行了自底向上和自顶向下两次特征融合，自底向上融合与特征金字塔网络相似，网络首先通过1*1卷积层将不同层特征图的