[發明專利]基于特征細化網絡模型的SAR圖像艦船目標檢測方法有效
| 申請號： | 202011081361.5 | 申請日： | 2020-10-10 |
| 公開（公告）號： | CN112329542B | 公開（公告）日： | 2022-11-11 |
| 發明（設計）人： | 朱衛綱;李永剛;劉暢;曲衛;李彩萍;楊君;何永華;邱磊;黃瓊男 | 申請（專利權）人： | 中國人民解放軍戰略支援部隊航天工程大學 |
| 主分類號： | G06V20/13 | 分類號： | G06V20/13;G06V10/25;G06V10/44;G06V10/46;G06V10/82;G06N3/04;G06N3/08 |
| 代理公司： | 北京理工大學專利中心 11120 | 代理人： | 代麗 |
| 地址： | 101416 *** | 國省代碼： | 北京;11 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 特征 細化 網絡 模型 sar 圖像 艦船 目標 檢測 方法 | ||
1.基于特征細化網絡模型的SAR圖像艦船目標檢測方法，其特征在于，包括以下步驟：
步驟1、構建SAR圖像艦船檢測的訓練樣本數據集；SAR圖像作為樣本的輸入，SAR圖像中的艦船目標作為標簽；
步驟2、采用注意力機制和可變性卷積神經網絡，建立基于特征細化網絡的艦船目標檢測模型；所述基于特征細化網絡的艦船目標檢測模型包括相互串聯的跨階段模塊1、注意力跨階段模塊1、注意力跨階段模塊2、SPP空間金字塔模塊、可變形跨階段模塊、跨階段模塊2和跨階段模塊3，以及跨階段模塊4和跨階段模塊5，其中，所述跨階段模塊2提取的特征作為跨階段模塊4的輸入，所述可變形跨階段模塊提取的特征作為所述跨階段模塊5的輸入，所述注意力跨階段模塊1提取的特征作為所述跨階段模塊3的輸入，所述注意力跨階段模塊2提取的特征作為所述跨階段模塊2的輸入；將待檢測的SAR圖像輸入所述跨階段模塊1中；所述跨階段模塊3、跨階段模塊4及跨階段模塊5的輸出作為基于特征細化網絡的艦船目標檢測模型的輸出特征；
其中，跨階段模塊的結構為：依次串聯的卷積模塊A1、卷積模塊A2及卷積模塊A3，與卷積模塊A4并聯后，再依次與合并模塊及卷積模塊A5串聯，其中，跨階段模塊的輸入分別輸入到所述卷積模塊A1與卷積模塊A4中，所述卷積模塊A5的輸出作為所述跨階段模塊的輸出；
注意力跨階段模塊的結構為：依次串聯的卷積模塊A1、殘差卷積模塊及卷積模塊A3，與卷積模塊A4并聯后，再依次與合并模塊及卷積模塊A5串聯，其中，注意力跨階段模塊的輸入分別輸入到所述卷積模塊A1與卷積模塊A4中，所述卷積模塊A5的輸出作為所述注意力跨階段模塊的輸出；
可變性跨階段模塊的結構為：依次串聯的卷積模塊A1、可變形卷積模塊1及卷積模塊A3，與串聯的可變形卷積模塊2及卷積模塊A4并聯后，再依次與合并模塊及卷積模塊A5串聯，其中，可變性跨階段模塊的輸入分別輸入到所述卷積模塊A1與可變形卷積模塊2中，所述卷積模塊A5的輸出作為所述注意力跨階段模塊的輸出；
步驟3、采用步驟1中所述的訓練樣本，完成所述基于特征細化網絡的艦船目標檢測模型的訓練；
步驟4、將待檢測的SAR圖像輸入到訓練得到的建立基于特征細化網絡的艦船目標檢測模型中，得到所述待檢測的SAR圖像中的艦船目標。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于中國人民解放軍戰略支援部隊航天工程大學，未經中國人民解放軍戰略支援部隊航天工程大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202011081361.5/1.html，轉載請聲明來源鉆瓜專利網。
- 上一篇：一種鏡頭模組離焦測距的方法、鏡頭模組及電子設備
- 下一篇：一種厚膜加熱電器
