[發明專利]基于平衡樣本回歸損失的SAR艦船目標檢測方法

有效

• 申請號: 202011544100.2
• 申請日: 2020-12-24
• 公開（公告）號: CN112668440B
• 公開（公告）日: 2023-02-10
• 發明（設計）人: 王英華;楊振東;劉宏偉;唐天顧
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/82;G06V10/774;G06N3/0464;G06N3/084
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;張問芬

本發明公開了一種基于平衡樣本回歸損失的SAR艦船目標檢測方法，主要解決現有深度學習方法中因難易樣本不平衡導致訓練出的網絡模型對艦船目標檢測性能低的問題。其實現方案是：1)獲取艦船數據，并分為訓練數據和測試數據；2)選取Faster?RCNN網絡為訓練網絡模型；3)對訓練網絡的原始損失函數進行改進，構成新的總損失函數；4)將訓練數據送入2)所選的網絡中，使用新的總損失函數對網絡進行訓練，得到最終訓練好的網絡模型；5)將測試數據送到訓練好的網絡模型中，得到艦船目標檢測結果。本發明能更好的提取艦船目標的深度特征，提高了艦船目標檢測性能，可用于對艦船目標的檢測。

技術領域

本發明屬于雷達技術領域，主要涉及一種SAR圖像艦船目標檢測方法，可用于后續的艦船目標識別與分類。

背景技術

合成孔徑雷達是一種主動成像傳感器，具有全天候、全天時、高分辨的數據獲取能力。并具有多頻段、多極化、視角可變和穿透性等特點。目前，SAR已廣泛應用于軍事偵察、地質普查、地形測繪和制圖、災情預報、海洋應用以及科學研究等領域，具有廣闊的研究和應用前景。SAR圖像自動目標識別ATR是SAR圖像的重要應用之一。基本的SAR圖像自動目標識別ATR系統一般包括目標檢測、目標鑒別和目標識別三個階段。目標檢測的性能將直接影響鑒別和分類階段的性能和效率，因此對于SAR目標檢測的研究就顯得十分重要。

傳統的SAR圖像目標檢測算法主要是恒虛警率CFAR方法，該類方法根據預先建立的雜波統計模型來確定檢測閾值，但這些模型存在應用場景受限的缺點，并且檢測效率較低。當前比較熱門的深度學習方法能夠通過訓練自動獲得數據的特征進行目標檢測，在數據充足的情況下，能保證準確率和檢測速度，更能適用不同的場景，因此通過深度學習方法對SAR圖像艦船目標檢測進行研究引起了普遍的關注。

Jianwei Li等人在IEEE發表的文章《SHIP DETECTION IN SAR IMAGES BASED ONAN IMPROVED FASTER R-CNN》中整理發布了SSDD艦船數據集并提出了使用改進的Faster-RCNN網絡進行檢測的方法，該方法將網絡的多層特征進行融合，充分利用了底層特征，為SSDD數據的檢測效果建立了基準線，但該方法由于未考慮訓練數據中的難易樣本非平衡問題，因而會使網絡傾向于學習其中的一類樣本，導致對另一類樣本的學習較差，制約檢測性能。

Yuanyuan Wang等人在remote sensing發表的文章《Automatic Ship DetectionBased on RetinaNet Using Multi-Resolution Gaofen-3 Imagery》中對RetinaNet檢測網絡進行改進，并將其應用于高分3號SAR圖像艦船數據，取得較好的檢測性能。該方法使用Focal loss分類損失函數解決了分類上的難易樣本不平衡問題，然而，未考慮回歸上的不平衡問題，檢測結果依然有待進一步提高。

發明內容

本發明的目的在于提出一種基于平衡樣本回歸損失的SAR艦船目標檢測方法，以解決現有深度學習方法中因難易樣本不平衡導致訓練出的網絡模型對艦船目標檢測效果不佳的問題，提高艦船目標檢測性能。

本發明的技術方案是：首先將SSDD數據分為訓練數據和測試數據，然后使用訓練數據訓練Faster-RCNN深度神經網絡模型，網絡使用改進后的回歸損失函數，待模型收斂后，將訓練好的神經網絡應用于測試數據之上，得到最終的艦船檢測結果，其實現步驟包括如下：

(1)獲取SSDD艦船數據集，并將其按照8:2的比例分為訓練數據Φ_x和測試數據Φ_c；

(2)選擇由共享基礎模塊VGG、區域選取模塊RPN和區域精修模塊Fast-RCNN依次連接組成的訓練網絡模型Ω；

(3)構建改進后的損失函數；

(3a)將網絡RPN模塊回歸損失中的函數改進為函數，其形式為：