基于神经方程引导的多样化特征学习SAR船舶检测方法

本发明属于图像处理，进一步涉及图像目标检测技术，具体为一种基于神经方程引导的多样化特征学习sar船舶检测方法，可用于sar图像中船舶的实时检测和精确定位。

背景技术：

1、船舶探测对于监督遏制非法捕鱼、确保安全和促进搜救行动等活动具有重要意义。合成孔径雷达sar是一种基于雷达的技术，可提供地面信息采集；sar凭借其穿云能力和强大的透视成像能力，可以实现连续的全天候、全天海洋监测。在sar图像中，检测船舶对于打击非法捕鱼、确保安全和促进搜救行动等监测活动至关重要。这项任务涉及传统的和基于深度学习的算法。传统的sar图像船舶检测方法包括基于阈值的方法、基于显着性的方法和船舶结构分析。然而，这些传统方法在精确定位船舶方面存在局限性，仅在特定场景下表现良好。它们在很大程度上依赖于杂波统计模型的适当性，这使得它们容易受到错误的参数估计的影响，特别是在存在不同背景的情况下。

2、随着卷积神经网络cnns的进步，专为遥感中的精确定位量身定制的旋转检测器出现。旋转探测器分为两类：第一类是在普通探测器上添加一个输出通道来预测旋转角度，如rotated faster-rcnn和rotated retinanet，而第二类则利用专门的遥感目标模块，包括rol transformer、s2a-net、r3det和aopg。关于sar旋转船舶检测，其中主要存在两个关键问题：1)现有的旋转探测器低估了sar图像独特特征的影响，特别是与光学图像相比，它对散斑噪声的严重干扰的敏感性；2)当前的探测器主要强调图像中的低频特征，忽视了高频和旋转特征的贡献，而这些特征对于遥感中的船舶精确定位至关重要。

3、现有的合成孔径雷达sar图像中探测船舶的方法往往忽视了sar图像中如常见的斑点噪声这一固有特征的重要影响，此外，在对各旋转特征和高频特征的融合方面还存在明显不足。

技术实现思路

1、本发明目的在于针对上述现有技术的不足，提出一种基于神经方程引导的多样化特征学习sar船舶检测方法，将偏微分方程pde引导小波变换pgwt模块和多样化特征学习块dflb纳入网络中设计，在第一阶段加入pgwt对特征提取网络进行优化，旨在利用小波方法中偏微分方程的优点，消除sar图像中固有的噪声影响，保护高频特征；同时引入dflb通过感知各种特征尤其是船舶的旋转特征来提高特征图的质量。对公共rssdd数据集的大量实验表明，本发明所提出的检测方法prdet优于现有方法，此外，消融研究亦证实了本发明检测结果的有效性。

2、本发明实现上述目的具体步骤如下：

3、(1)从现有数据集中获取不同分辨率和场景的sar图像构建样本集，并将样本集中图像的大小调整为统一尺寸，按照8:2的比例对样本集进行划分，得到训练集和测试集；

4、(2)构建神经方程引导的多样化特征学习网络模型，包括骨干网络resnet-50、多样化特征学习模块dflb模块、特征金字塔网络fpn及检测头的检测模型，在骨干网络resnet-50第一阶段加入小波阈值处理模块pgwt，在resnet-50和特fpn之间建立多样化特征学习模块；

5、(3)将训练集中的图像输入到模型的resnet-50网络中，通过pgwt进行处理，输出重建后的矩阵特征ui；将ui用pde方程的离散形式进行表示，即由微分方程pde引导pgwt对特征提取网络进行优化，得到以偏微分方程为导向的优化阈值函数：

6、

7、其中，λ表示阈值，x表示每个高频分量信号；

8、(4)将ui输入至骨干网络resnet-50中的第一阶段的卷积层conv7x7中，完成骨干网络的第一阶段后继续将特征传入到resnet-50网络的下一阶段进行处理，resnet-50网络处理完特征信息后得到骨干网络的输出特征xin，并将其传递给多样化特征学习模块，由该模块将对xin进行特征分解，获取高频分支x1、旋转分支x2和低频分支x3，并采用不同方式分别进行特征提取，得到高频特征、旋转特征以及语义特征xh、xr和xl；

9、(5)将xh、xr和xl沿通道维度进行串联，生成多样化学习模块的最终输出xout：

10、xout＝concat(xh，xr，xl)；

11、(6)采用跳连机制将xout连接到特征金字塔网络fpn的每一层中，得到特征图并输出至检测头部分，通过检测头得到矩形回归框输出结果；

12、(7)采用带动量的随机梯度下降sgd优化器，由分类损失lcls和回归损失lreg组成损失函数l，对神经方程引导的多样化特征学习网络模型进行迭代训练，得到训练好的模型；

13、(8)将测试样本集输入训练好的模型进行检测，得到sar图像测试样本对应的检测结果。

14、本发明与现有技术相比具有以下优点：

15、第一、由于本发明通过构建小波阈值处理模块pgwt对特征提取网络进行优化，利用小波方法中偏微分方程的优势帮助建模和捕获局部变化特征，从而能够消除sar图像中固有的噪声影响，保护边缘特征；同时引入dflb，通过感知各种特征尤其是船舶的旋转特征，进一步实现特征图质量的提升；

16、第二、由于本发明设计了多样化特征学习模块用于融合图像中各种特征，通过利用旋转特性、语义和纹理信息提供形状和位置的见解，从而增强对目标特性的感知，能够对sar图像中的舰船进行准确定位。

技术特征：

1.一种基于神经方程引导的多样化特征学习sar船舶检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的方法，其特征在于：步骤(3)中将训练集中的图像输入到resnet-50网络中，通过pgwt进行处理，输出重建后的矩阵特征ui，是用小波方法取一个输入fi，通过低通函数l和高通函数h对其进行处理，然后对高频系数取一个阈值为λ的阈值函数sλ：

3.根据权利要求1所述的方法，其特征在于：步骤(4)中采用不同方式分别进行特征提取，具体如下：

4.根据权利要求3所述的方法，其特征在于：步骤(4)中的旋转提取模块rem，表示如下：

5.根据权利要求1所述的方法，其特征在于：步骤(7)中所述分类损失lcls采用交叉熵损失，计算公式如下：

6.根据权利要求5所述的方法，其特征在于：所述平滑smooth l1损失，在误差|m|<1时，损失函数呈二次函数关系，平滑且对异常值不敏感。

技术总结本发明提出了一种基于神经方程引导的多样化特征学习SAR船舶检测方法，主要解决现有技术因忽视固有特征导致检测效果不佳的问题。包括：1)获取不同分辨率和场景的SAR图像组成训练集和测试集；2)构建包括骨干ResNet‑50网络、多样化特征学习DFLB模块、特征金字塔网络FPN及检测头的检测模型，DFLB模块建立在骨干网络和FPN之间，并在骨干网络第一阶段加入由微分方程引导小波阈值处理模块对特征提取网络进行优化；3)利用训练集，采用带动量的随机梯度下降优化器对模型进行训练；4)通过训练好的检测模型获取测试样本对应的检测结果。本发明能够对SAR图像中的舰船进行准确定位，实现特征图质量的提升。技术研发人员：张铭津,郭炅,张玉涵,郭杰,李云松,高新波受保护的技术使用者：西安电子科技大学技术研发日：技术公布日：2024/7/29