一种面向嵌入式平台的低复杂度SAR图像目标检测方法及可读存储介质与流程

本发明涉及sar图像目标检测，具体涉及一种面向嵌入式平台的低复杂度sar图像目标检测方法及可读存储介质。

背景技术：

1、合成孔径雷达（synthetic aperture radar，sar）凭借其全天候、全天时成像能力，已成为军事侦察、海洋监测及灾害评估等领域的核心遥感手段。随着无人机、卫星及弹载平台成像技术的快速发展，sar数据量呈现指数级增长，如何高效提取高价值信息成为关键挑战。sar图像目标检测作为其中的关键技术之一，对于提升sar系统的实用价值具有重要意义。

2、近年来，基于深度学习的目标检测方法，为sar图像解译提供了新思路。现有研究主要分为两类范式：基于cnn的检测方法和基于transformer的检测方法。基于经典cnn检测框架设计的sar图像目标检测方法取得了极大的成功，多数研究通过改进cnn网络结构，包括引入注意力机制、多尺度特征融合或数据扩充等手段，显著提升了模型的泛化能力和准确性。基于transformer的sar目标检测方法在模型架构、去噪策略及语义优化方面取得显著突破，尤其在复杂场景下小目标检测方面表现优异。例如部分研究通过融合cnn局部特征提取优势与transformer全局建模能力、或通过多级去噪检测transformer抑制斑点噪声、以及利用大模型技术设计sar图像目标识别基础模型或者构建大型sar目标检测数据集等提升sar目标检测模型的性能。

3、尽管这些方法性能表现优异，但其庞大的参数量与计算成本难以适配嵌入式平台需求，严重制约了sar系统在资源受限场景的实时应用。因此，研究和开发轻量化的sar目标检测算法具有迫切性，轻量化目标检测算法不仅能够提高处理速度和时效性，还可以更好地适应嵌入式平台需求，实现更广泛的应用。现有轻量化检测方法包括yolo系列、mobilenet及shufflenet等给出了极佳的网络轻量化和检测精度之间的平衡，但在sar图像解译的实时应用上仍然存在以下局限：（1）现有轻量化方法较少的通道数和层数导致特征图细节不足，削弱了跨通道信息交互和特征提取能力，尤其在复杂环境下表现不足。（2）现有轻量化方法注重优化gpu上的推理速度，在嵌入式设备上的适应性仍需进一步提升，尤其是在计算能力和存储资源高度受限的情况下。

技术实现思路

1、本发明的目的是克服高精度sar检测模型计算复杂、无法部署于边缘平台，与轻量化模型在sar图像上特征提取能力弱、精度低之间的矛盾。提供一种在显著降低模型计算复杂度和参数量的基础上，保持甚至提升对sar图像的目标检测精度，并实现其在嵌入式平台上的高效、实时部署。

2、为了达到上述目的，本发明提供了一种面向嵌入式平台的低复杂度sar图像目标检测方法，至少包括以下步骤：

3、模型构建：基于yolov8架构，对骨干网络、特征融合和检测头三部分进行改进，构建低复杂度sar目标检测网络模型；

4、模型部署准备：对所述低复杂度sar目标检测网络模型进行训练，使用训练完成后的低复杂度sar目标检测网络模型对测试集中图像进行检测，得到检测结果，计算所述低复杂度sar目标检测网络模型的检测精度和计算复杂度；对所述低复杂度sar目标检测网络模型进行参数固化和精度量化；

5、模型部署与推理：将经过参数固化及精度量化后的低复杂度sar目标检测网络模型部署到嵌入式平台上进行目标检测推理。

6、可选地，模型构建中，对所述骨干网络进行改进包括：基于倒置瓶颈层重构骨干网络，通过设计合适的通道扩展比例以及采用深度可分离卷积的stem层，大幅减少计算量。

7、可选地，模型构建中，对所述特征融合进行改进包括：构建快速特征金字塔网络，以p4特征层作为主要融合节点，融合来自p3和p5特征层的信息，以减少冗余参数。

8、可选地，对所述特征融合进行改进还包括采用深度可分离卷积，以进一步降低计算成本。

9、可选地，模型构建中，对所述检测头进行改进包括：分类和回归任务采用解耦设计，分别使用独立的逐点卷积进行处理，根据分类和边界框提取的不同需求扩展通道，提高检测头的检测效率。

10、可选地，模型部署准备中还包括：对所述低复杂度sar目标检测网络模型进行训练之前，将数据集分为训练集、验证集和测试集，并将输入图像进行预处理，再使用所述训练集训练所述低复杂度sar目标检测网络模型。

11、可选地，使用所述验证集调整训练参数。

12、可选地，模型部署准备中，所述精度量化包括将fp32精度的模型量化为fp16精度。

13、可选地，模型部署与推理中还包括：针对不同的嵌入式平台，进行推理性能优化。

14、本发明还提供了一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现上述所述方法。

15、相较于现有技术，本发明的有益效果至少包含：

16、（1）本发明在模型构建中，基于倒置瓶颈的骨干网络避免了因过度轻量化导致的特征退化，从而维持了高精度；传统的轻量化会牺牲多尺度特征融合能力，本发明通过优化特征金字塔（以p4为主，深度可分离卷积），虽然简化了路径，但重点保障了来自p3（高分辨率、富含小目标细节）和p5的信息能够有效引导至主特征层p4，旨在通过减少计算量快速融合来自不同尺度的特征，从而增强了对小目标和复杂背景的检测能力，在处理复杂环境下sar图像时更具优势。

17、（2）本发明解耦检测头专门用于提供分类和回归任务所需的快速轻量级计算，在保持模型表达能力的同时，大幅降低计算量，使得模型能够在资源受限的环境中仍然保持良好的检测性能。

1.一种面向嵌入式平台的低复杂度sar图像目标检测方法，其特征在于，至少包括以下步骤：

2.如权利要求1所述的低复杂度sar图像目标检测方法，其特征在于，模型构建中，对所述骨干网络进行改进包括：基于倒置瓶颈层重构骨干网络，通过设计合适的通道扩展比例以及采用深度可分离卷积的stem层，大幅减少计算量。

3.如权利要求1所述的低复杂度sar图像目标检测方法，其特征在于，模型构建中，对所述特征融合进行改进包括：构建快速特征金字塔网络，以p4特征层作为主要融合节点，融合来自p3和p5特征层的信息，以减少冗余参数。

4.如权利要求3所述的低复杂度sar图像目标检测方法，其特征在于，对所述特征融合进行改进还包括采用深度可分离卷积，以进一步降低计算成本。

5.如权利要求1所述的低复杂度sar图像目标检测方法，其特征在于，模型构建中，对所述检测头进行改进包括：分类和回归任务采用解耦设计，分别使用独立的逐点卷积进行处理，根据分类和边界框提取的不同需求扩展通道，提高检测头的检测效率。

6.如权利要求1所述的低复杂度sar图像目标检测方法，其特征在于，模型部署准备中还包括：对所述低复杂度sar目标检测网络模型进行训练之前，将数据集分为训练集、验证集和测试集，并将输入图像进行预处理，再使用所述训练集训练所述低复杂度sar目标检测网络模型。

7.如权利要求6所述的低复杂度sar图像目标检测方法，其特征在于，使用所述验证集调整训练参数。

8.如权利要求1所述的低复杂度sar图像目标检测方法，其特征在于，模型部署准备中，所述精度量化包括将fp32精度的模型量化为fp16精度。

9.如权利要求1所述的低复杂度sar图像目标检测方法，其特征在于，模型部署与推理中还包括：针对不同的嵌入式平台，进行推理性能优化。

10.一种可读存储介质，其特征在于，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1~9中任一项所述的方法。