[發(fā)明專利]基于全卷積神經(jīng)網(wǎng)絡(luò)的艦船目標(biāo)分割方法、系統(tǒng)及介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 201811189747.0
• 申請(qǐng)日: 2018-10-12
• 公開(kāi)（公告）號(hào): CN109389607A
• 公開(kāi)（公告）日: 2019-02-26
• 發(fā)明（設(shè)計(jì)）人: 林德銀
• 申請(qǐng)（專利權(quán)）人: 上海鷹覺(jué)科技有限公司
• 主分類號(hào): G06T7/11
• 分類號(hào): G06T7/11;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海段和段律師事務(wù)所 31334
• 代理人: 李佳俊;郭國(guó)中

1.一種基于全卷積神經(jīng)網(wǎng)絡(luò)的艦船目標(biāo)分割方法，其特征在于，包括：

構(gòu)建訓(xùn)練樣本步驟：獲取原始數(shù)據(jù)集，對(duì)原始數(shù)據(jù)集中的船艦圖像進(jìn)行增強(qiáng)操作，獲得增強(qiáng)后的船艦圖像，對(duì)增強(qiáng)后的船艦圖像進(jìn)行歸一化處理，獲得訓(xùn)練樣本集；

訓(xùn)練樣本標(biāo)定步驟：對(duì)訓(xùn)練樣本集中的船艦圖像進(jìn)行逐像素的標(biāo)注；

網(wǎng)絡(luò)構(gòu)建步驟：構(gòu)建訓(xùn)練網(wǎng)絡(luò)，獲得待訓(xùn)練網(wǎng)絡(luò)；

網(wǎng)絡(luò)訓(xùn)練步驟：對(duì)獲得的待訓(xùn)練網(wǎng)絡(luò)，利用所述訓(xùn)練樣本集進(jìn)行訓(xùn)練，更新神經(jīng)元的權(quán)重和偏置，最終使得神經(jīng)網(wǎng)絡(luò)達(dá)到收斂狀態(tài)，獲得訓(xùn)練好的網(wǎng)絡(luò)；

目標(biāo)分割步驟：將待分割圖像進(jìn)行歸一化處理，獲得待分割圖像集，將待分割圖像集輸入到訓(xùn)練好的網(wǎng)絡(luò)中，輸出分割后的圖像。

2.根據(jù)權(quán)利要求1所述的基于全卷積神經(jīng)網(wǎng)絡(luò)的艦船目標(biāo)分割方法，其特征在于，所述增強(qiáng)操作包括：平移、亮度增加、旋轉(zhuǎn)中的任一種或任多種操作；

平移包括：對(duì)原始數(shù)據(jù)集中的每一張艦船圖像進(jìn)行隨機(jī)的方向平移的操作；

亮度增加包括：對(duì)原始數(shù)據(jù)集中的每一張艦船圖像進(jìn)行隨機(jī)的亮度增加的操作；

旋轉(zhuǎn)包括：對(duì)原始數(shù)據(jù)集中的每一張艦船圖像進(jìn)行隨機(jī)的方向旋轉(zhuǎn)的操作。

3.根據(jù)權(quán)利要求1所述的基于全卷積神經(jīng)網(wǎng)絡(luò)的艦船目標(biāo)分割方法，其特征在于，所述待訓(xùn)練網(wǎng)絡(luò)包括：

卷積操作Conv、歸一化操作BN、激活函數(shù)ReLU、激活函數(shù)sigmoid、最大池化操作MaxPool、上采樣操作Upscale中的任一個(gè)或任多個(gè)。

4.根據(jù)權(quán)利要求1所述的基于全卷積神經(jīng)網(wǎng)絡(luò)的艦船目標(biāo)分割方法，其特征在于，所述歸一化處理包括：

將目標(biāo)圖像的尺寸進(jìn)行歸一化；

所述分割后的圖像為二值化的圖像，背景區(qū)域的像素值為0，前景區(qū)域的像素值為1，所述前景區(qū)域即艦船區(qū)域；

所述訓(xùn)練樣本標(biāo)定步驟包括：

對(duì)訓(xùn)練樣本集中的艦船圖像進(jìn)行逐像素的標(biāo)注，標(biāo)注的值為0或者1；使得標(biāo)注的訓(xùn)練樣本集中的艦船圖像為一張二值圖像，背景區(qū)域的像素值為0，前景區(qū)域的像素值為1，所述前景區(qū)域即艦船區(qū)域。

5.一種基于全卷積神經(jīng)網(wǎng)絡(luò)的艦船目標(biāo)分割系統(tǒng)，其特征在于，包括：

構(gòu)建訓(xùn)練樣本模塊：獲取原始船艦圖像，對(duì)原始船艦圖像進(jìn)行增強(qiáng)操作，獲得增強(qiáng)后的船艦圖像，對(duì)增強(qiáng)后的船艦圖像進(jìn)行歸一化處理，獲得訓(xùn)練樣本集；

訓(xùn)練樣本標(biāo)定模塊：對(duì)訓(xùn)練樣本集中船艦圖像進(jìn)行逐像素的標(biāo)注；

網(wǎng)絡(luò)構(gòu)建模塊：構(gòu)建訓(xùn)練網(wǎng)絡(luò)，獲得待訓(xùn)練網(wǎng)絡(luò)；

網(wǎng)絡(luò)訓(xùn)練模塊：對(duì)獲得的待訓(xùn)練網(wǎng)絡(luò)，利用所述訓(xùn)練樣本集進(jìn)行訓(xùn)練，更新神經(jīng)元的權(quán)重和偏置，最終使得神經(jīng)網(wǎng)絡(luò)達(dá)到收斂狀態(tài)，獲得訓(xùn)練好的網(wǎng)絡(luò)；

目標(biāo)分割模塊：將待分割圖像進(jìn)行歸一化處理，獲得待分割圖像集，將待分割圖像集輸入到訓(xùn)練好的網(wǎng)絡(luò)中，輸出分割后的圖像。

6.根據(jù)權(quán)利要求5所述的基于全卷積神經(jīng)網(wǎng)絡(luò)的艦船目標(biāo)分割系統(tǒng)，其特征在于，所述增強(qiáng)操作包括：平移、亮度增加、旋轉(zhuǎn)中的任一種或任多種操作；

平移包括：對(duì)原始數(shù)據(jù)集中的每一張艦船圖像進(jìn)行隨機(jī)的方向平移的操作；

亮度增加包括：對(duì)原始數(shù)據(jù)集中的每一張艦船圖像進(jìn)行隨機(jī)的亮度增加的操作；

旋轉(zhuǎn)包括：對(duì)原始數(shù)據(jù)集中的每一張艦船圖像進(jìn)行隨機(jī)的方向旋轉(zhuǎn)的操作。

7.根據(jù)權(quán)利要求5所述的基于全卷積神經(jīng)網(wǎng)絡(luò)的艦船目標(biāo)分割系統(tǒng)，其特征在于，所述待訓(xùn)練網(wǎng)絡(luò)包括：

卷積操作Conv、歸一化操作BN、激活函數(shù)ReLU、激活函數(shù)sigmoid、最大池化操作MaxPool、上采樣操作Upscale中的任一個(gè)或任多個(gè)。