[發明專利]一種高精度的細粒度SAR目標檢測方法

在審

• 申請號: 202211268984.2
• 申請日: 2022-10-17
• 公開（公告）號: CN115661569A
• 公開（公告）日: 2023-01-31
• 發明（設計）人: 趙丹培;陳子強;苑博;史振威;張浩鵬
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/25;G06V10/82
• 代理公司: 北京慕達星云知識產權代理事務所(特殊普通合伙) 11465
• 代理人: 符繼超

1.一種高精度的細粒度SAR目標檢測方法，其特征在于，包括：

獲取待檢測SAR圖像，并將所述待檢測SAR圖像輸入到訓練后的SAR圖像細粒度檢測模型中，輸出所述待檢測SAR圖像中，所有感興趣目標的坐標位置和所屬類別；

其中，所述SAR圖像細粒度檢測模型的訓練方法如下：

S1、基于訓練數據集，構建全局實例集；

S2、構建SAR圖像細粒度檢測模型框架；將所述訓練數據集輸入至所述SAR圖像細粒度檢測模型框架中；由所述SAR圖像細粒度檢測模型框架對所述訓練集中感興趣目標的坐標位置進行提取，以及識別所提取出來的感興趣目標的所屬類別；將提取和識別的內容組合成模型采集數據集；

S3、從全局實例集隨機抽取實例，組成抽樣數據集；

S4、分別對模型采集數據集和抽樣數據集中的感興趣目標編碼后，進行全局實例對比；

S5、根據對比結果對所述SAR圖像細粒度檢測模型框架進行優化，直至獲得最終的SAR圖像細粒度檢測模型。

2.如權利要求1所述的一種高精度的細粒度SAR目標檢測方法，其特征在于，所述S1具體包括：

獲取SAR圖像訓練樣本；所述SAR圖像訓練樣本中包括多個目標區域；

將SAR圖像訓練樣本，以及所有目標區域內已知的所有感興趣目標的坐標位置和所屬類別作為訓練數據集；

對訓練數據集中的所有目標區域進行裁剪和縮放，組成一個全局實例集。

3.如權利要求1所述的一種高精度的細粒度SAR目標檢測方法，其特征在于，在所述S2中，由所述SAR圖像細粒度檢測模型框架對所述訓練集中感興趣目標的坐標位置進行提取，以及識別所提取出來的感興趣目標的所屬類別，具體包括：

通過SAR圖像細粒度檢測模型框架中的骨干卷積網絡對輸入的SAR圖像訓練樣本進行特征圖提取，并通過計算特征金字塔得到多個不同尺寸的特征圖；

將每個所述特征圖送入檢測頭，對每個所述特征圖中感興趣目標的坐標位置進行提取，以及識別所提取出來的感興趣目標的所屬類別。

4.如權利要求3所述的一種高精度的細粒度SAR目標檢測方法，其特征在于，對于每個所述特征圖，進入全局實例對比前的準備工作包括：

根據輸入的感興趣目標的所屬類別，將該特征圖裁剪為多個區域，記作第一特征區域集；

從所述全局實例集中的目標區域進行隨機抽樣，并采用骨干卷積網絡對抽樣得到的目標區域進行特征提取，記作第二特征區域集；

分別對所述第一特征區域集和第二特征區域集中的感興趣目標編碼后，進行全局實例對比。

5.如權利要求4所述的一種高精度的細粒度SAR目標檢測方法，其特征在于，采用由平均池化和全連接層組成的編碼器，使用tanh做為非線性激活函數來對感興趣目標進行編碼。

6.如權利要求1或4所述的一種高精度的細粒度SAR目標檢測方法，其特征在于，全局實例對比所采用的實例級對比損失定義如下：

其中，L_CTLi表示每個特征圖的對比損失；分子表示類內特征相似度之和；分母表示所有特征的相似度之和；f_i和f_j分表表示兩個不同的特征向量；c_i和c_j分別代表對應向量的類別標簽；i和j均代表遍歷的指示下標；cos＜f_i,f_j＞表示兩個特征間的余弦相似度；τ代表溫度參數；M表示第一特征區域集中的目標區域數量；N表示第二特征區域集中的目標區域數量；c_i表示每個特征對應的已知類別標簽；L_CTL表示求平均后得到的總體的對比損失。

7.如權利要求3所述的一種高精度的細粒度SAR目標檢測方法，其特征在于，所述檢測頭使用了全卷積的anchor-free結構；

所述檢測頭用于在不同尺度的特征圖上對每個感興趣目標的位置和類別置信度進行預測。