[發(fā)明專(zhuān)利]一種艦船目標(biāo)有向檢測(cè)模型的構(gòu)建方法及應(yīng)用

有效

• 申請(qǐng)?zhí)枺?/td>: 202110473630.0
• 申請(qǐng)日: 2021-04-29
• 公開(kāi)（公告）號(hào): CN113191372B
• 公開(kāi)（公告）日: 2022-05-20
• 發(fā)明（設(shè)計(jì)）人: 顏露新;王廣雅;鐘勝;陳立群
• 申請(qǐng)（專(zhuān)利權(quán)）人: 華中科技大學(xué)
• 主分類(lèi)號(hào): G06V10/44
• 分類(lèi)號(hào): G06V10/44;G06V10/774;G06V10/80;G06K9/62;G06N3/04
• 代理公司: 華中科技大學(xué)專(zhuān)利中心 42201
• 代理人: 祝丹晴

1.一種艦船目標(biāo)有向檢測(cè)模型的構(gòu)建方法，其特征在于，包括：

S1、構(gòu)建艦船目標(biāo)有向檢測(cè)模型；所述艦船目標(biāo)有向檢測(cè)模型包括：依次級(jí)聯(lián)的多級(jí)卷積神經(jīng)網(wǎng)絡(luò)、多尺度特征金字塔、預(yù)測(cè)模塊和非極大值抑制模塊；所述多級(jí)卷積神經(jīng)網(wǎng)絡(luò)用于對(duì)輸入圖像進(jìn)行不同深度的卷積運(yùn)算得到多個(gè)不同尺度的特征圖，并輸出到所述多尺度特征金字塔中進(jìn)行特征融合，得到多個(gè)不同尺度的特征融合圖；所述預(yù)測(cè)模塊包括多個(gè)并聯(lián)的預(yù)測(cè)器，所述預(yù)測(cè)器的個(gè)數(shù)與所述特征融合圖的個(gè)數(shù)相同，且一個(gè)所述特征融合圖對(duì)應(yīng)輸入到一個(gè)所述預(yù)測(cè)器中；所述預(yù)測(cè)器用于分別計(jì)算特征融合圖中各像素點(diǎn)的分類(lèi)置信度預(yù)測(cè)值和邊界框感知向量預(yù)測(cè)值，以對(duì)輸入圖像中艦船目標(biāo)的位置進(jìn)行預(yù)測(cè)，得到艦船目標(biāo)的預(yù)測(cè)邊界框；所述非極大值抑制模塊用于對(duì)各所述預(yù)測(cè)器所得的預(yù)測(cè)邊界框進(jìn)行非極大值抑制，得到艦船目標(biāo)；特征融合圖上第i個(gè)像素點(diǎn)的邊界框感知向量的預(yù)測(cè)值t_i^*＝(Δx_{i_1},Δy_{i_1},Δx_{i_2},Δy_{i_2},Δx_{i_3},Δy_{i_3},Δx_{i_4},Δy_{i_4})；以特征融合圖上第i個(gè)像素點(diǎn)所在的位置為原點(diǎn)建立直角坐標(biāo)系，Δx_{i_j}和Δy_{i_j}分別表示原點(diǎn)到預(yù)測(cè)邊界框第j條邊的垂足的相對(duì)位置坐標(biāo)；j取值為1、2、3、4，分別對(duì)應(yīng)第一象限、第二象限、第三象限和第四象限的垂足；

S2、以最小化分類(lèi)置信度預(yù)測(cè)值與真實(shí)值之間的差異以及最小化預(yù)測(cè)邊界框感知與真實(shí)邊界框感知之間的差異為目標(biāo)，采用預(yù)采集好的訓(xùn)練集訓(xùn)練所述艦船目標(biāo)有向檢測(cè)模型；其中，所述訓(xùn)練集包括艦船樣本圖及其對(duì)應(yīng)的標(biāo)簽；所述標(biāo)簽包括艦船樣本圖中艦船目標(biāo)的真實(shí)目標(biāo)框信息。

2.根據(jù)權(quán)利要求1所述的艦船目標(biāo)有向檢測(cè)模型的構(gòu)建方法，其特征在于，所述預(yù)測(cè)器包括并聯(lián)的第一卷積塊和第二卷積塊；所述第一卷積塊用于計(jì)算特征融合圖中各像素點(diǎn)的分類(lèi)置信度預(yù)測(cè)值；所述第二卷積塊用于計(jì)算特征融合圖中各像素點(diǎn)的邊界框感知向量預(yù)測(cè)值；

此時(shí)，所述艦船目標(biāo)有向檢測(cè)模型包括第一分類(lèi)分支和第二回歸分支；所述第一分類(lèi)分支為從所述多級(jí)卷積神經(jīng)網(wǎng)絡(luò)到所述第一卷積塊所構(gòu)成的支路；所述第二回歸分支為從所述多級(jí)卷積神經(jīng)網(wǎng)絡(luò)到所述第二卷積塊所構(gòu)成的支路；

所述步驟S2包括：以最小化分類(lèi)置信度預(yù)測(cè)值與真實(shí)值之間的差異為目標(biāo)，反向更新所述第一分類(lèi)分支上的參數(shù)；與此同時(shí)，以最小化預(yù)測(cè)邊界框感知與真實(shí)邊界框感知之間的差異為目標(biāo)，反向更新所述第二回歸分支上的參數(shù)。