一种基于背景与尺度感知的SAR舰船目标检测方法与流程

技术特征：
1.一种基于背景与尺度感知的sar舰船目标检测方法，其特征在于：包括以下步骤：步骤（10）背景感知网络模型构建：采用yolov3的金字塔网络结构，在三个尺度上输出卷积特征，预测三种不同大小尺度的舰船目标；为了抑制陆地上的虚警目标，提取卷积神经网络浅层卷积层中的背景特征，将背景特征与输出卷积特征进行串接融合，利用陆地背景信息辅助舰船虚警检测，达到降低虚警率的目的；由于背景特征在浅层网络中提取，语义信息不足，因此为了保证足够的语义信息，在融合特征后接残差网络，残差网络中所有卷积层后面都紧接归一化层；步骤（20）尺度感知损失函数计算：采用yolov3的损失函数结构，包含目标回归框的横、纵轴坐标损失，目标宽、高损失和置信度损失，损失函数为：
ꢀꢀ
（1）其中，为横、纵坐标损失，为宽、高损失，为置信度损失；为了使模型在训练过程中重点关注小目标，针对每个目标设计不同权重，使得小尺度目标权重增大，再将权重乘到对应目标损失函数上，实现尺度感知损失函数设计，目标权重计算公式如下：
ꢀꢀ
（2）其中，和为输入图像的宽和高，和为舰船目标在输入图像上的宽和高，最终将目标的权重乘到目标特征位置对应的损失函数上，实现尺度感知损失函数计算；步骤（30）多尺度训练：采用舰船检测数据集训练模型，随机抽取尺度，然后以该尺度在训练图中随机裁取大小图片，再将裁取的图片缩放到512
×
512像素大小作为训练样本输入卷积神经网络实现多尺度训练；步骤（40）sar舰船目标检测：将宽幅sar图像进行分块，送入训练好的卷积神经网络进行舰船检测，然后将检测结果拼接，再进行非极大值抑制得到最终检测结果。2.如权利要求1所述的基于背景与尺度感知的sar舰船目标检测方法，其特征在于：所述步骤（30）中利用梯度下降法对模型进行训练。

技术总结
本发明涉及一种基于背景与尺度感知的SAR舰船目标检测方法。合成孔径雷达（SAR，Synthetic Aperture Radar）具有全天时、全天候和大幅宽的特性，使得其在复杂的环境下也能对广阔海域进行成像，是海洋监控和海洋情报提取的重要信息来源。随着星载SAR和机载SAR传感器越来越多，对海SAR数据日益增加，急需一种快速实现SAR舰船目标检测的智能算法。然而，SAR图像舰船目标检测面临两个主要难点：1）在海岸线、港口和岛礁附近对舰船进行检测时，陆地上的强散射物会形成强杂波，带来高虚警率；2）中小渔船在海洋总船只数量中占比最大，而中小渔船尺寸较小，在SAR图像中占据较少像素。本发明实现了高检测率和低虚警率的SAR舰船目标检测方法，通过设计背景感知的舰船检测网络模型，充分利用了背景信息，有效降低了虚警率；设计尺度感知损失函数，使模型在训练过程中更加关注小目标，提升小目标检测率；采用多尺度训练策略，在保证多尺度训练的同时每次输入网络的图像大小固定，实现每次迭代所需时间以及所需硬件资源保持一致。硬件资源保持一致。硬件资源保持一致。


技术研发人员：郭杰 庄龙 李品 林幼权
受保护的技术使用者：中国电子科技集团公司第十四研究所
技术研发日：2021.12.27
技术公布日：2022/3/22