一种基于特征金字塔和信息补偿的SAR图像舰船检测方法

一种基于特征金字塔和信息补偿的sar图像舰船检测方法
技术领域
1.本发明涉及计算机领域中的深度学习技术领域，其中涉及一种基于特征金字塔和信息补偿的sar图像舰船检测方法。


背景技术：

2.合成孔径雷达(synthetic aperture radar，sar)是一种高分辨率成像雷达。作为一种有源微波成像传感器，sar成像过程受环境影响较小。它能够探测隐藏的物体，并在全天候条件下工作。随着星载和机载sar的快速发展，sar已广泛应用于民用和军事领域。对舰船检测的研究在许多方面都至关重要，例如海洋监测、海事管理和军事情报获取。近年来，sar图像中的舰船检测已成为世界各国研究的热点。然而，目前适合多尺度舰船检测的方法很少，同时，海上船舶检测仍然是一项艰巨的任务。


技术实现要素：

3.鉴于现有技术sar图像舰船目标面临的多尺度问题的缺陷，本发明旨在于提供一种基于特征金字塔和信息补偿的sar图像舰船检测方法，适用于sar图像中多尺度舰船目标的自主检测。
4.为了实现上述目的，本发明采用的技术方案如下：
5.一种基于特征金字塔和信息补偿的sar图像舰船检测方法，所述方法包括以下步骤：
6.s1图像数据预处理,利用图像标注软件对图像中待检测的舰船目标进行标注，获取到图像中舰船目标的中心点坐标(x,y)，目标的宽w和高h；
7.s2使用特征金字塔网络和信息补偿模块对输入图像进行特征提取；
8.s3使用预处理后的训练集进行训练；
9.s4使用训练得到的网络对测试集进行测试。
10.需要说明的是，所述步骤s1总，图像总数为5604幅，随机抽取其中的3642幅图像为训练集，其余1962幅图像为测试集；并将训练集的图像尺寸统一缩放为800pixel
×
800pixel。
11.需要说明的是，所述步骤s2中，以深度残差网络resnet-50为基础，搭建特征金字塔网络；resnet-50的权重来源于imagenet数据集上预训练得到的权重文件；给定resnet-50每个卷积阶段最后的输出为{c1，c2，c3，c4，c5}，fpn通过自上而下的路径和横向连接输出不同尺度的特征层{p3，p4}。利用信息补偿模块生成p5。
12.需要说明的是，所述步骤s2还包括：
13.s2.1利用比例不变自适应平均池化生成具有不同空间上下文信息的多尺度特征图：
14.fi＝avgpool(c5,s
×
αi),i＝1,2,3
15.其中，s＝w
×
h代表特征图c5的尺度大小，s
×
αi代表特征图fi的尺度，avgpool代表
平均池化操作；
16.s2.2采用1
×
1卷积层将每个特征图的通道数减少为256：
17.fi′
＝conv1×1(fi,256),i＝1,2,3
18.其中，conv1×1代表1
×
1卷积操作。
19.s2.3采用双线性插值对上述特征图上采样，以便用于后续融合。
20.fi″
＝upsample(fi′
,s),i＝1,2,3
21.其中，upsample代表双线性插值操作；
22.s2.4为输入的每个特征生成对应的空间权值图：
23.f
″
＝concat(f1″
,f2″
,f3″
)
24.w＝sigmoid{conv3×3[conv1×1(f
″
)]}
[0025]
其中，concat代表沿通道融合特征图，conv3×3代表3
×
3卷积操作，sigmoid代表sigmoid函数运算；
[0026]
s2.5采用空间权重图w来提取特征图f
″
的多尺度上下文信息，其输出特征图f
asf
定义如下：
[0027][0028]
s2.6将特征图f
asf
和特征图c5相加求和后，使用一个3
×
3卷积层生成最高金字塔层级的特征图p5：
[0029]
p5＝conv3×3[f
asf
conv1×1(c5)]
[0030]
p6通过一个步长为2的3
×
3卷积层从c5上卷积得到；p7是通过修正线性单元(rectified linear unit,relu)和步长为2的3
×
3卷积从p6上计算得到。最终特征金字塔网络的输出为{p3，p4，p5，p6，p7}。
[0031]
需要说明的是，所述步骤s3中，在金字塔层级{p3，p4，p5，p6，p7}上，锚(anchor)的面积分别设置为{322,642,1282,2562,5122}；在每个金字塔层级，将锚的尺寸和长宽比分别设置为{20,2
1/3
,2
2/3
}和{1:2,1:1,2:1}；采用平滑l1损失和focal loss作为损失函数，使用随机梯度下降(stochastic gradient descent,sgd)进行网络训练，训练直到损失函数收敛不再下降，获得权重文件。
[0032]
需要说明的是，一共训练24个epochs，权重衰减和动量分别为0.0001和0.9。初始学习率为0.01，在第16个epochs和第22个epochs时学习率衰减为原来的1/10。
[0033]
需要说明的是，在所述步骤s4中利用步骤s3得到的权重文件，对测试集图像进行测试；其中，与训练集图像预处理相同，测试集图像统一缩放为800pixel
×
800pixel。
[0034]
本发明有益效果在于：利用特征提取网络和信息补偿模块来提取多尺度特征，提高对多尺度舰船的检测性能。
附图说明
[0035]
图1为本发明的基于特征金字塔和信息补偿的sar图像舰船检测方法的流程示意图。
具体实施方式
[0036]
下将结合附图对本发明作进一步的描述，需要说明的是，本实施例以本技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实施例。
[0037]
实施例
[0038]
如图1所示，本发明为一种基于特征金字塔和信息补偿的sar图像舰船检测方法，所述方法包括以下步骤：
[0039]
s1图像数据预处理,利用图像标注软件对图像中待检测的舰船目标进行标注，获取到图像中舰船目标的中心点坐标(x,y)，目标的宽w和高h；
[0040]
s2使用特征金字塔网络和信息补偿模块对输入图像进行特征提取；
[0041]
s3使用预处理后的训练集进行训练；
[0042]
s4使用训练得到的网络对测试集进行测试。
[0043]
进一步的，本发明所述步骤s1总，图像总数为5604幅，随机抽取其中的3642幅图像为训练集，其余1962幅图像为测试集；并将训练集的图像尺寸统一缩放为800pixel
×
800pixel。
[0044]
进一步的，本发明所述步骤s2中，以深度残差网络resnet-50为基础，搭建特征金字塔网络；resnet-50的权重来源于imagenet数据集上预训练得到的权重文件；给定resnet-50每个卷积阶段最后的输出为{c1，c2，c3，c4，c5}，fpn通过自上而下的路径和横向连接输出不同尺度的特征层{p3，p4}。利用信息补偿模块生成p5。
[0045]
进一步的，本发明所述步骤s2还包括：
[0046]
s2.1利用比例不变自适应平均池化生成具有不同空间上下文信息的多尺度特征图：
[0047]fi
＝avgpool(c5,s
×
αi),i＝1,2,3
[0048]
其中，s＝w
×
h代表特征图c5的尺度大小，s
×
αi代表特征图fi的尺度，avgpool代表平均池化操作；
[0049]
s2.2采用1
×
1卷积层将每个特征图的通道数减少为256：
[0050]fi
′
＝conv1×1(fi,256),i＝1,2,3
[0051]
其中，conv1×1代表1
×
1卷积操作。
[0052]
s2.3采用双线性插值对上述特征图上采样，以便用于后续融合。
[0053]fi
″
＝upsample(fi′
,s),i＝1,2,3
[0054]
其中，upsample代表双线性插值操作；
[0055]
s2.4为输入的每个特征生成对应的空间权值图：
[0056]f″
＝concat(f1″
,f2″
,f3″
)
[0057]
w＝sigmoid{conv3×3[conv1×1(f
″
)]}
[0058]
其中，concat代表沿通道融合特征图，conv3×3代表3
×
3卷积操作，sigmoid代表sigmoid函数运算；
[0059]
s2.5采用空间权重图w来提取特征图f
″
的多尺度上下文信息，其输出特征图f
asf
定义如下：
[0060][0061]
s2.6将特征图f
asf
和特征图c5相加求和后，使用一个3
×
3卷积层生成最高金字塔层级的特征图p5：
[0062]
p5＝conv3×3[f
asf
conv1×1(c5)]
[0063]
p6通过一个步长为2的3
×
3卷积层从c5上卷积得到；p7是通过修正线性单元(rectified linear unit,relu)和步长为2的3
×
3卷积从p6上计算得到。最终特征金字塔网络的输出为{p3，p4，p5，p6，p7}。
[0064]
进一步的，本发明所述步骤s3中，在金字塔层级{p3，p4，p5，p6，p7}上，锚(anchor)的面积分别设置为{322,642,1282,2562,5122}；在每个金字塔层级，将锚的尺寸和长宽比分别设置为{20,2
1/3
,2
2/3
}和{1:2,1:1,2:1}；采用平滑l1损失和focal loss作为损失函数，使用随机梯度下降(stochastic gradient descent,sgd)进行网络训练，训练直到损失函数收敛不再下降，获得权重文件。
[0065]
进一步的，本发明在步骤s3中一共训练24个epochs，权重衰减和动量分别为0.0001和0.9。初始学习率为0.01，在第16个epochs和第22个epochs时学习率衰减为原来的1/10。
[0066]
进一步的，本发明在所述步骤s4中利用步骤s3得到的权重文件，对测试集图像进行测试；其中，与训练集图像预处理相同，测试集图像统一缩放为800pixel
×
800pixel。
[0067]
对于本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及变形，而所有的这些改变以及变形都应该属于本发明权利要求的保护范围之内。