[發明專利]一種利用卷積神經網絡進行船舶檢測的訓練方法及其船舶檢測方法

在審

• 申請號: 201811500340.5
• 申請日: 2018-12-07
• 公開（公告）號: CN109583412A
• 公開（公告）日: 2019-04-05
• 發明（設計）人: 王超;王原原;張紅;董穎博;魏思思
• 申請（專利權）人: 中國科學院遙感與數字地球研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京金信知識產權代理有限公司 11225
• 代理人: 喻嶸;郭迎俠

本申請提供了一種利用卷積神經網絡進行船舶檢測的訓練方法及其船舶檢測的方法，所述訓練方法包括：將包括船舶信息的SAR圖像數據制作成預定義規格的訓練圖像信息；利用所述訓練圖像信息訓練用于船舶檢測的卷積神經網絡獲得所述卷積神經網絡的類間關系及所述訓練圖像信息中的難例；利用焦點損失函數調整所述卷積神經網絡的所述類間關系和所述難例的權重，以達到預設精度；其中，所述卷積神經網絡的結構包括：基礎處理模塊、分類處理模塊和回歸處理模塊；所述基礎處理模塊，至少包括下采樣子模塊和上采樣子模塊。本申請在船舶檢測的平均精度超過97％。

技術領域

本申請涉及遙感領域，具體涉及利用卷積神經網絡進行船舶檢測的訓練方法，以及利用卷積神經網絡進行船舶檢測的方法。

背景技術

合成孔徑雷達(簡稱SAR)，可以全天候全天時成像，其圖像已經被廣泛用于諸如海上交通和非法捕魚等海洋監管中。隨著星載SAR的發射，大量SAR圖像可以用來動態檢測海洋。因此迫切需要能夠處理大量數據以實時做出反應。傳統的船舶檢測算法主要是依賴海雜波統計模型的恒定虛警概率(CFAR)和手工提取特征。這些方法主要依賴對海雜波分布的統計模型或者手工提取的特征，因此這些方法的魯棒性較差。除此之外，所述方法嚴重依賴人力，使得在SAR數據較大時自動檢測船舶變得困難。

SAR圖像上的目標對姿態和圖像敏感。船舶在SAR圖像體現出多尺度的特點。這由兩方面的原因，第一條原因在于不同分辨率的SAR圖像對同樣尺寸船舶的影響，第二個原因在于相同分辨率的SAR圖像對不同尺寸船舶的影響。這兩方面的原因都導致了船舶的不同尺度。因此，使船舶檢測變得困難。

發明內容

本申請提供一種利用卷積神經網絡進行船舶檢測的訓練方法，一種利用卷積神經網絡進行船舶檢測的方法。以解決人工參與船舶檢測難度大以及船舶按尺寸檢測所帶來的難度問題。

為了解決上述技術問題，本申請實施例提供了如下的技術方案：

本申請提供了一種利用卷積神經網絡進行船舶檢測的訓練方法，包括：

將包括船舶信息的SAR圖像數據制作成預定義規格的訓練圖像信息；

利用所述訓練圖像信息訓練用于船舶檢測的卷積神經網絡獲得所述卷積神經網絡的類間關系及所述訓練圖像信息中的難例；

利用焦點損失函數調整所述卷積神經網絡的所述類間關系和所述難例的權重，以達到預設精度；

其中，所述卷積神經網絡的結構包括：基礎處理模塊、分類處理模塊和回歸處理模塊；所述基礎處理模塊，至少包括下采樣子模塊和上采樣子模塊，用于根據所述訓練圖像信息獲得多個第一特征圖像信息，并將所述第一特征圖像信息分別輸送給所述分類處理模塊和回歸處理模塊；所述分類處理模塊用于根據所述第一特征圖像信息獲得船舶分類信息；所述回歸處理模塊用于根據所述第一特征圖像信息提取船舶定位回歸的圖像信息；所述第一特征圖像信息，包括維數相同的多尺度的且用于分類和定位回歸的圖像信息。

優選的，所述基礎處理模塊，至少包括特征金字塔網絡。

進一步的，所述特征金字塔網絡，至少包括：下采樣子模塊、上采樣子模塊和特征圖像信息處理子模塊；

所述下采樣子模塊，包括第一下采樣卷積塊、第二下采樣卷積塊、第三下采樣卷積塊、第四下采樣卷積塊和第五下采樣卷積塊；

所述第一下采樣卷積塊，用于根據所述訓練圖像信息生成第一下采樣特征圖像信息，所述第一下采樣特征圖像信息尺寸是所述訓練圖像信息尺寸的一半；

所述第二下采樣卷積塊，用于根據所述第一下采樣特征圖像信息生成第二下采樣特征圖像信息，所述第二下采樣特征圖像信息尺寸是所述第一下采樣特征圖像信息尺寸的一半；