[發(fā)明專利]基于平衡樣本回歸損失的SAR艦船目標(biāo)檢測方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011544100.2
• 申請(qǐng)日: 2020-12-24
• 公開（公告）號(hào): CN112668440B
• 公開（公告）日: 2023-02-10
• 發(fā)明（設(shè)計(jì)）人: 王英華;楊振東;劉宏偉;唐天顧
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06V20/13
• 分類號(hào): G06V20/13;G06V10/82;G06V10/774;G06N3/0464;G06N3/084
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華;張問芬

1.一種基于平衡樣本回歸損失的SAR艦船目標(biāo)檢測方法，其特征在于，包括如下：

(1)獲取SSDD艦船數(shù)據(jù)集，并將其按照8:2的比例分為訓(xùn)練數(shù)據(jù)Φ_x和測試數(shù)據(jù)Φ_c；

(2)選取由共享基礎(chǔ)模塊VGG、區(qū)域選取模塊RPN和區(qū)域精修模塊Fast-RCNN依次連接組成的訓(xùn)練網(wǎng)絡(luò)模型Ω；

(3)構(gòu)建改進(jìn)后的損失函數(shù)；

(3a)將網(wǎng)絡(luò)RPN模塊回歸損失中的函數(shù)改進(jìn)為函數(shù)，其形式為：

其中，j為RPN模塊第j個(gè)訓(xùn)練樣本，t_n為RPN模塊為訓(xùn)練樣本預(yù)測的位置信息，為訓(xùn)練樣本對(duì)應(yīng)的目標(biāo)框的位置信息，n∈{x,y,w,h}，a為超參數(shù)，a＝2；

(3b)將網(wǎng)絡(luò)Fast-RCNN模塊回歸損失中的函數(shù)改進(jìn)為函數(shù)，其形式為：

其中，p為Fast-RCNN模塊第p個(gè)訓(xùn)練樣本，e_m為Fast-RCNN模塊為訓(xùn)練樣本預(yù)測的位置信息，為訓(xùn)練樣本對(duì)應(yīng)的目標(biāo)框的位置信息，m∈{x,y,w,h}；

(3c)根據(jù)(3a)和(3b)改進(jìn)的回歸損失函數(shù)，得到訓(xùn)練網(wǎng)絡(luò)改進(jìn)后的總損失函數(shù)J_s，其表示如下：

其中，J_s1、λ_rpn和N_s1分別為RPN模塊的分類損失函數(shù)、損失平衡常數(shù)和訓(xùn)練樣本數(shù)量，J_s3、λ_fast和N_s2為Fast-RCNN模塊的分類損失函數(shù)、損失平衡常數(shù)和訓(xùn)練樣本數(shù)量，為RPN模塊第j個(gè)樣本是否為正樣本的標(biāo)簽，為Fast-RCNN模塊第p個(gè)樣本是否為正樣本的標(biāo)簽；

(4)將訓(xùn)練數(shù)據(jù)Φ_x輸入到訓(xùn)練網(wǎng)絡(luò)模型Ω中，使用網(wǎng)絡(luò)總的損失函數(shù)J_s對(duì)該網(wǎng)絡(luò)模型Ω進(jìn)行訓(xùn)練，直到損失函數(shù)收斂，得到訓(xùn)練好的網(wǎng)絡(luò)模型Ω'；

(5)將艦船測試數(shù)據(jù)Φ_c輸入到最終訓(xùn)練好的網(wǎng)絡(luò)模型Ω'中，得到艦船的檢測結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其中(2)中網(wǎng)絡(luò)模型的共享基礎(chǔ)模塊VGG，包括5個(gè)卷積塊和4個(gè)平均池化層，依次為第一卷積塊V1→第一平均池化層P1→第二卷積塊V2→第二平均池化層P2→第三卷積塊V3→第三平均池化層P3→第四卷積塊V4→第四平均池化層P4→第五卷積塊V5，各層參數(shù)設(shè)置及關(guān)系如下：

所述4個(gè)池化層的結(jié)構(gòu)相同，其用于對(duì)輸入下采樣，下采樣核的窗口大小為2×2，滑動(dòng)步長為2，輸出特征圖的數(shù)量和輸入一致，并作為下一卷積塊的輸入；

所述第一卷積塊V1和第二卷積塊V2結(jié)構(gòu)相同，其均由兩個(gè)完全相同的卷積塊級(jí)聯(lián)而成，每個(gè)卷積塊由卷積層L_i1和ReLU激活函數(shù)層L_i2兩層結(jié)構(gòu)組成，i表示第i個(gè)卷積塊，i＝1,2；

所述第三卷積塊V3、第四卷積塊V4和第五卷積塊V5結(jié)構(gòu)相同，其均由三個(gè)完全相同的卷積塊級(jí)聯(lián)而成，每個(gè)卷積塊由兩層結(jié)構(gòu)組成，即第一層為卷積層T_j1、第二層為ReLU激活函數(shù)層T_j2，j表示第j個(gè)卷積塊，j＝1,2,3。

3.根據(jù)權(quán)利要求1所述的方法，其中(2)中網(wǎng)絡(luò)模型的區(qū)域選取模塊RPN依次由共享卷積層C₁、激活函數(shù)層C₂、兩個(gè)并列的分類支路C₃和回歸卷積層C₄組成，該分類支路C₃依次由分類卷積層C₃₁和Softmax分類器層C₃₂組成，用于得到分類概率向量p；該回歸卷積層C₄用于對(duì)輸入進(jìn)行卷積，得到36個(gè)位置預(yù)測特征圖b。