[發明專利]基于改進錨點框生成模型的船舶多目標檢測方法

在審

• 申請號: 202010163534.1
• 申請日: 2020-03-10
• 公開（公告）號: CN111368769A
• 公開（公告）日: 2020-07-03
• 發明（設計）人: 周慧;嚴鳳龍;王萬里
• 申請（專利權）人: 大連東軟信息學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 大連至誠專利代理事務所(特殊普通合伙) 21242
• 代理人: 張海燕;楊威

1.本發明提供一種基于改進錨點框生成模型的船舶多目標檢測方法，其特征在于，包括：

獲取SAR船舶圖像；

構建低復雜度網絡架構，并將所述船舶圖像放入低復雜度網絡中，生成特征映射空間；

采用基于形狀相似度的聚類方法生成初始錨點框；

以生成的初始錨點框為基礎，采用滑窗機制在低復雜度特征空間中生成新的候選框，對候選框進行回歸訓練，所述候選框用于船舶多目標檢測。

2.根據權利要求1所述的方法，所述構建低復雜度網絡架構，其特征在于，包括：

構建由五層卷積層和五層池化層構成的低復雜度的主干網絡架構；

利用主干網絡架構將SAR船舶圖像映射到低復雜度特征空間，得到特征映射圖。

3.根據權利要求1所述的方法，所述采用基于形狀相似度的聚類方法生成初始錨點框，其特征在于，包括：

獲取船舶目標真實邊框的形狀；

計算不同的真實邊框之間的形狀距離；

利用kmeans算法根據真實邊框的形狀以及不同的真實邊框的形狀距離生成初始錨點框。

4.根據權利要求1所述的方法，所述采用滑窗機制在低復雜度特征空間中生成新的候選框，其特征在于，包括：

在低復雜度特征映射圖進行滑窗操作得到候選框；

通過非極大值抑制找到交并比最大的候選框并進行回歸訓練；

通過分類損失函數和定位目標框的回歸損失函數生成新的候選框。

5.根據權利要求2所述的方法，所述構建低復雜度網絡架構，其特征在于，所述利用卷積和下采樣將SAR船舶圖像映射到低復雜度特征空間，得到特征映射圖，包括：

由船舶圖像到特征映射圖的過程可表示為：

C1[112,112,64]＝max_pooling(Img[224,224,3]×kernel[[3,3,3],64])

C2[56,56,128]＝max_pooling(C1[112,112,64]×kernel[[3,3,64],128])

C3[28,28,256]＝max_pooling(C2[56,56,128]×kernel[[3,3,128],256])

C4[14,14,512]＝max_pooling(C3[28,28,256]×kernel[[3,3,512],512])

C5[7,7,512]＝max_pooling(C4[4,14,512]×kernel[[3,3,512],512])

P5[7,7,256]＝C5[7,7,512]×kernel[[1,1,512],256]

P4[14,14,256]＝UpSampling(C5)+(C4[14,14,512]×kernel[[1,1,512],256])

P3[28,28,256]＝UpSampling(C4)+(C3[28,28,256]×kernel[[1,1,256],256])

P2[56,56,256]＝UpSampling(C3)+(C2[56,56,128]×kernel[[1,1,128],256])

P1[112,112,256]＝UpSampling(C2)+(C1[112,112,64]×kernel[[1,1,64],256])

其中，Img表示輸入的SAR船舶圖像，{C1,C2,C3,C4,C5}表示網絡結構對應的五層卷積，maxpooling表示池化層，kernel表示卷積核的大小，UpSampling表示上采樣，{P1,P2,P3,P4,P5}為生成的特征映射圖，[*]表示的是各層輸入的尺寸，分別對應長，寬，高。