[發明專利]基于注意力金字塔網絡的SAR圖像多尺度艦船檢測方法

有效

• 申請號: 201910362037.1
• 申請日: 2019-04-30
• 公開（公告）號: CN110084210B
• 公開（公告）日: 2022-03-29
• 發明（設計）人: 崔宗勇;李其;曹宗杰
• 申請（專利權）人: 電子科技大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/46;G06V10/82;G06N3/04
• 代理公司: 成都點睛專利代理事務所(普通合伙) 51232
• 代理人: 孫一峰

本發明屬于雷達遙感技術領域，涉及一種基于注意力金字塔網絡的SAR圖像多尺度艦船檢測方法。本發明在現有的特征金字塔網絡上基礎上，提出了一種具有自適應選擇顯著特征的多尺度特征提取方法：基于密集注意力機制的特征金字塔網絡，并應用于SAR圖像多尺度艦船目標檢測中。通過通道注意力模型和空間注意力模型分別從全局和局部范圍突出顯著特征，獲得更好的檢測性能；同時注意力機制應用于各層的多尺度融合過程中，可逐層增強特征，有效剔除虛警目標，提高了檢測精度。

技術領域

本發明屬于雷達遙感技術領域，涉及一種基于注意力金字塔網絡的SAR圖像多尺度艦船 檢測方法。

背景技術

近年來，利用合成孔徑雷達(SAR)圖像進行海面艦船目標檢測已經成為世界各國研究 的熱點。我國作為一個海洋大國，擁有漫長的海岸線和廣袤的海域，利用SAR對海洋進行實 時監測，開展基于SAR圖像的艦船目標檢測研究對保障國家安全、維護我國海洋權益具有重 要意義。

目前，艦船目標的種類多種多樣，尺寸大小也各不相同。由于不同尺度的艦船相差較大， 大尺度艦船在SAR圖像中占據了較多的像素，而小尺度艦船目標在高分辨率SAR圖像中所 占的像素非常少，且對比度較低，增加了檢測難度。傳統艦船檢測算法對小尺度艦船目標不 敏感，因此針對SAR圖像多尺度艦船檢測的性能較差，不能同時檢測出SAR圖像中不同尺 度的艦船。

近年來，卷積神經網絡(CNN)憑借其強大的表征能力及自動提取特征的特點在計算機 視覺領域取得了巨大的成功。各國學者將CNN推廣到SAR圖像的艦船檢測方法的研究中， 展現了基于CNN的檢測器在復雜海面壞境中優越的檢測性能，但目前適用于SAR圖像多尺 度艦船檢測的CNN檢測器極少。針對多數基于CNN的檢測器只利用最后一層特征圖進行檢 測，丟失了空間分辨率信息的問題，特征金字塔網絡(FPN)通過“自頂而下”和“橫向連接”的操作同時融合了空間分辨率信息和語義信息，并利用得到的融合特征圖進行檢測，初步展現了CNN對SAR圖像中多尺度艦船的檢測性能。雖然FPN提取了同時融合空間分辨率 信息和語義信息的特征，但由于提取的特征不夠豐富，且沒有突出顯著性特征，因此FPN對 多尺度艦船的檢測準確率較差，容易造成漏檢。隨后一些學者提出密集連接FPN的方法，通 過密集連接的方式提取了豐富的目標特征，但面對巨量的特征會存在檢測速度變慢、虛警率變高的問題。如何在豐富的目標提取特征中自適應地選擇顯著特征，突出不同尺度艦船目標 的特性，提高對SAR圖像中多尺度艦船檢測的準確度，是目前存在的問題。

發明內容

針對上述存在問題或不足，為了克服現有SAR圖像艦船檢測方法在面對提取的海量特征， 無法自適應地在豐富的全局特征中選擇顯著的目標特征，檢測準確率也隨之降低的缺陷，使 SAR圖像多尺度艦船檢測中的特征提取環節具有自適應選擇顯著特征，突出不同尺度艦船的 特性的能力。本發明提供了一種基于密集注意力金字塔網絡(DAPN)的SAR圖像多尺度艦 船檢測方法。

本發明由以下步驟實現，其艦船檢測算法整體流程見附圖1。

步驟1、將需要檢測的SAR圖像送入檢測網絡，通過共享卷積層獲得金字塔網絡中自上 而下的前向網絡分支中的各層特征圖{C₂、C₃、C₄、C₅}，提取不同尺度下未經模糊的全局特 征。

此過程通過自底而上的前向網絡對原始的SAR圖像提取了不同尺度下的全局未模糊特 征。

本發明的基礎網絡采用了ResNet101網絡，并將具有相同尺寸特征圖的結構稱為一個階 段，使用ResNet101中每個階段中最后一個殘差塊的輸出{C₂、C₃、C₄、C₅}組成自底向上的 前向網絡。