[發明專利]基于分裂-聚合卷積網絡的SAR圖像艦船檢測方法

有效

• 申請號: 202011175707.8
• 申請日: 2020-10-28
• 公開（公告）號: CN112270265B
• 公開（公告）日: 2023-09-15
• 發明（設計）人: 韓龍;冉達;葉偉;楊維東;楊凱陟;尹燦斌;宋波;陳維高
• 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: G06V10/82
• 分類號: G06V10/82;G06N3/0464;G06V10/80;G06V10/774;G06T7/73;G06V10/764
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 劉西云;李微微

1.一種基于分裂-聚合卷積網絡的SAR圖像艦船檢測方法，其特征在于，采用訓練好的骨干網絡和后處理模塊檢測SAR圖像中的艦船目標，所述骨干網絡包括正向特征提取單元和逆向特征重建-增強單元，其中，所述正向特征提取單元包括順次級聯的初級分裂-聚合卷積模塊、多尺寸卷積模塊、二級～六級分裂-聚合卷積模塊，同時，初級分裂-聚合卷積模塊與多尺寸卷積模塊之間、各級分裂-聚合卷積模塊之間均通過池化層連接；所述逆向特征重建-增強單元包括一級～四級特征增強模塊，且一級特征增強模塊與六級分裂-聚合卷積模塊對應，二級特征增強模塊與五級分裂-聚合卷積模塊對應，三級特征增強模塊與四級分裂-聚合卷積模塊對應，四級特征增強模塊與三級分裂-聚合卷積模塊對應；

所述初級分裂-聚合卷積模塊用于對原始SAR圖像進行特征提取，再將得到的初級特征圖通過池化層輸入多尺寸卷積模塊；所述多尺寸卷積模塊用于采用不同大小的卷積核對所述初級特征圖進行特征提取再聚合，得到中間特征圖；

各級分裂-聚合卷積模塊用于對上一級分裂-聚合卷積模塊輸出的特征圖進行特征提取與特征聚合，再將得到的特征圖通過池化層輸入到下一級分裂-聚合卷積模塊；其中，二級分裂-聚合卷積模塊對所述中間特征圖進行特征提取與特征聚合；六級分裂-聚合卷積模塊得到的特征圖輸入逆向特征重建-增強單元；同時，三級分裂-聚合卷積模塊、四級分裂-聚合卷積模塊以及五級分裂-聚合卷積模塊得到的特征圖除了輸入下一級分裂-聚合卷積模塊外，還輸入逆向特征重建-增強單元，且三級分裂-聚合卷積模塊至六級分裂-聚合卷積模塊輸出的特征圖的大小不同；

各級特征增強模塊用于根據上一級特征增強模塊輸出的特征圖和自身對應的分裂-聚合卷積模塊輸出的特征圖進行重建，再將得到的分辨率更高的特征圖輸入下一級特征增強模塊；其中，一級特征增強模塊僅根據六級分裂-聚合卷積模塊輸出的特征圖進行重建；

所述后處理模塊用于將相互對應的分裂-聚合卷積模塊與特征增強模塊輸出的特征圖構成特征圖組，再根據各特征圖組獲取不同大小的艦船目標檢測結果。

2.如權利要求1所述的一種基于分裂-聚合卷積網絡的SAR圖像艦船檢測方法，其特征在于，所述骨干網絡的訓練方法為：

S1：將包含艦船目標的SAR圖像作為訓練樣本，并獲取框選SAR圖像中艦船目標的邊界框的坐標；

S2：所述初級分裂-聚合卷積模塊用于對原始SAR圖像進行特征提取，再將得到的初級特征圖通過池化層輸入多尺寸卷積模塊；

S3：所述多尺寸卷積模塊用于采用不同大小的卷積核對所述初級特征圖進行特征提取再聚合，得到中間特征圖；

S4：各級分裂-聚合卷積模塊用于對上一級分裂-聚合卷積模塊輸出的特征圖進行特征提取與特征聚合，再將得到的特征圖通過池化層輸入到下一級分裂-聚合卷積模塊；其中，二級分裂-聚合卷積模塊對所述中間特征圖進行特征提取與特征聚合；六級分裂-聚合卷積模塊得到的特征圖輸入逆向特征重建-增強單元；同時，三級分裂-聚合卷積模塊、四級分裂-聚合卷積模塊以及五級分裂-聚合卷積模塊得到的特征圖除了輸入下一級分裂-聚合卷積模塊外，還輸入逆向特征重建-增強單元，且三級分裂-聚合卷積模塊至六級分裂-聚合卷積模塊輸出的特征圖的大小不同；

S5：各級特征增強模塊用于根據上一級特征增強模塊輸出的特征圖和自身對應的分裂-聚合卷積模塊輸出的特征圖進行重建，再將得到的分辨率更高的特征圖輸入下一級特征增強模塊；其中，一級特征增強模塊僅根據六級分裂-聚合卷積模塊輸出的特征圖進行重建；

S6：將三級～六級分裂-聚合卷積模塊輸出的特征圖作為粗分類源特征圖，各級特征增強模塊輸出的特征圖作為精分類特征圖，則各粗分類源特征圖與其對應的精分類特征圖構成大小相同的特征圖組，然后分別將各特征圖組作為當前特征圖組執行以下步驟，得到各特征圖組中粗分類源特征圖上可能包含目標的錨框：

S61：按照預定義大小和長寬比的滑動窗口遍歷當前特征圖組中的粗分類源特征圖，得到多個錨框；

S62：以是否包含目標為標準對所有錨框進行二分類，得到可能包含目標的錨框；

S7：將各特征圖組中粗分類源特征圖上可能包含目標的錨框的中心像素坐標映射到同屬一組的精分類特征圖上，再以中心像素坐標為中心，按照預定義大小和長寬比在精分類特征圖上生成新的錨框；

S8：通過邊框回歸和類別回歸從步驟S7產生的錨框中定位出艦船目標在原始SAR圖像中的檢測位置；

S9：根據步驟S8得到的艦船目標檢測位置與步驟S1中標注的艦船目標實際位置計算當前迭代的損失值；

S10：判斷當前迭代次數是否達到預先設定的最大迭代次數，若達到，則此時的模型為最終的骨干網絡，且當前得到的艦船目標在原始SAR圖像中的檢測位置為艦船目標在原始SAR圖像中的最終位置，若未達到，進入步驟S11；

S11：將訓練損失值用于反向傳播，通過SGD算法調整正向特征提取單元和逆向特征重建-增強單元所采用的卷積核的權重參數，完成正向特征提取單元和逆向特征重建-增強單元所采用的卷積核的權重參數的更新；然后獲取下一批次的包含艦船目標的SAR圖像作為新的訓練樣本，采用更新后的正向特征提取單元和逆向特征重建-增強單元重復步驟S2～S10再次得到損失值，直到當前迭代次數等于預先設定的最大迭代次數。