[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

本發明公開了一種高精度的細粒度SAR目標檢測方法，包括：并將待檢測SAR圖像輸入到訓練后的SAR圖像細粒度檢測模型中，輸出待檢測SAR圖像中，所有感興趣目標的坐標位置和所屬類別；上述模型的訓練方法為：構建全局實例集；將訓練數據集作為輸入；由模型對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；從全局實例集隨機抽取實例，組成抽樣數據集；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；根據對比結果對模型進行優化，直至獲得最終的SAR圖像細粒度檢測模型；通過該方法可以減少對比學習方法中的樣本數量。

技術領域

本發明屬于計算機視覺與模式識別技術領域，特別是一種高精度的細粒度SAR目標檢測方法。

背景技術

合成孔徑雷達(Synthetic Aperture Radar，SAR)是一種主動式的對地觀測系統，能實現全天時，全天候對地觀測，在災害監測、環境監測、海洋監測、測繪和軍事等方面的應用上具有獨特的優勢，可發揮其他遙感手段難以發揮的作用。目標檢測任務為給出圖像中所有感興趣目標的坐標位置并識別目標所屬的具體類別，是SAR圖像處理的重要基礎任務之一。更進一步，細粒度檢測要求模型準確地識別出SAR圖像中相似但不同類的目標。由于SAR圖像中的目標缺乏細節信息，其異類目標的類間差異較小，如何更精確地進行細粒度檢測具有理論上的研究價值與實際的應用價值。

目前主流的先進目標檢測算法大多更加關注如何準確地定位目標，不能有效地處理檢測中的細粒度分類識別問題，會出現定位準確但分類錯誤的情況。并且，相比于光學圖像，SAR圖像因其成像方式的特殊性會缺乏細節紋理信息，且容易受到噪聲和冗余背景的干擾，這使得一般的檢測算法更難在SAR圖像中區分容易混淆的異類相似目標。

對比學習有增大類間目標差異，提高類內目標相似度的作用，是增強細粒度分類性能的一種有效方法。然而目前的對比學習技術大多基于圖像級分類任務開發，且集中于無監督預訓練領域，在監督學習尤其是目標檢測任務上的應用較少。同時，一些較成功的對比學習方法需要提取大量的正負樣本對進行對比訓練，而SAR圖像幅面廣的特性以及飛機目標分布的稀疏性導致在檢測模型的訓練中無法一次提取大量的樣本。此外，對比學習的關鍵在于在投影空間拉近相同類別特征向量的距離，同時使得不同類別的特征具有足夠的差異性。然而考慮到定位任務對特征的需求，過于追求特征的差異性可能會損害定位的精度。

因此，實現準確的SAR細粒度目標檢測需要提出一種實例級的，不需要在一次訓練步驟中提取大量樣本的對比學習方法，同時還要注意修正其對定位任務精度的影響，而這也成為當前研究的關鍵問題。

發明內容

鑒于上述問題，本發明提供一種至少解決上述部分技術問題的一種高精度的細粒度SAR目標檢測方法，通過該方法可以減少對比學習方法中的樣本數量。

本發明實施例提供了一種高精度的細粒度SAR目標檢測方法，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；