融合scSE和MaskR-CNN网络的海洋锋检测方法技术

本发明专利技术涉及一种融合scSE和Mask R

【技术实现步骤摘要】
融合scSE和Mask R
‑
CNN网络的海洋锋检测方法


[0001]本专利技术涉及海洋锋检测
，特别是涉及一种融合scSE和Mask R
‑
CNN网络的海洋锋检测方法。

技术介绍

[0002]随着深度学习在目标识别研究的不断深入，多种融合深度学习的海洋锋检测方法相继被提出。在卷积神经网络(CNN)基础上，提出的Mask R
‑
CNN(Mask Region
‑
Convolutional Neural Network，掩膜卷积神经网络)网络实现了对图像的像素级的实例分割，被广泛用于目标识别领域中。Mask R
‑
CNN是一种典型的二阶段目标检测网络，由Backbone(骨干网络)、RPN(Region proposal network，区域建议网络)、ROIAlign(Region of Interest Align，目标候选区域)和Classifier(分类模块)四部分组成。Backbone作为Mask R
‑
CNN的骨干网络，由残差网络(Residual network，ResNet)和特征金字塔网络(Feature pyramid network，FPN)组成，用于对输入图像的特征提取；RPN用于生成候选区域(Region proposal)，并对每个特征区域进行类别可能性判断和回归；ROIAlign通过收集图像特征和候选区域特征，作为后续全连接层的输入，而后进行目标类别判定；Classifier通过计算候选区域类别，再次进行框回归，精确定位检测框，并为目标生成掩码。
[0003]基于深度学习的目标检测，目标特征的有效表达和提取是提高目标检测的关键。随着SENet(Squeeze and Excitation Net，激励网络)新型网络的提出，SE(Squeeze and Excitation，激励模块)被广泛应用于基于深度学习的目标检测任务，它通过采用一种全新的“特征重标定”策略对每个通道的重要程度进行评估，增强目标特征的提取效果。受SE模块的启发，提出了scSE(spatial and channel Squeeze&Excitation，空间注意力模块)注意力机制。scSE注意力模块作为一种突出目标特征和抑制噪声的重要手段，是空间压缩通道激励模块(sSE，Channel Squeeze and Spatial Excitation)和通道压缩空间激励模块(cSE，Spatial Squeeze and Channel Excitation)并行组合。通过计算特征图通道和空间特征的重要性程度，增强网络对特征图中重要通道和空间特征的学习能力，优化目标检测效果。
[0004]对于传统的Mask R
‑
CNN网络，Resnet
‑
50(Residual network
‑
50，残差网络
‑
50)与Resnet
‑
101(Residual network
‑
101，残差网络
‑
101)作为其常用的残差网络，其网络的深度对海洋锋检测效果具有很大的影响。深层残差网络在有限的训练数据下容易出现过拟合，目标检测效果差。
[0005]充足的训练样本是基于Mask R
‑
CNN网络的海洋锋检测的基础，受海洋气象境及检测设备的限制，准确有用的海洋锋数据较为匮乏，因此构建充足有效的训练数据集成本高、难度大，尤其在海洋锋面的边缘信息多变且不明显的弱海洋锋区域，加剧了数据集构建的难度。海洋锋是海表面温(Sea Surface Temperatures，SST)遥感影像上的小尺度、弱边缘目标检测对象，经过多次卷积和池化操作后，大量的小目标特征信息易被丢弃，导致检测结果存在较多的错检和漏检。
[0006]在海洋锋检测任务中，人们常利用SST遥感影像检测海洋锋，旨在从影像中提取海温过渡带和锋线。由于海洋锋是SST遥感影像中的小目标实体，边缘信息不明显、多变、对比度不强，呈现弱边缘性，使用传统的边缘检测算法使得海洋锋的漏检及误检率高。

技术实现思路

[0007]基于此，有必要针对海洋锋作为SST影像上的小尺度、弱边缘目标检测对象，经过多次卷积和池化操作后，大量的小目标特征信息易被丢弃，导致检测结果存在较多的错检和漏检的技术问题，提供一种融合scSE和Mask R
‑
CNN网络的海洋锋检测方法。
[0008]一种融合scSE和Mask R
‑
CNN网络的海洋锋检测方法，所述方法包括：
[0009]对收集的海洋锋SST影像数据进行数据增强和扩充处理，建立样本数据集；
[0010]将标注的样本数据集分为训练数据集与测试数据集；
[0011]选用浅层的Resnet
‑
50网络提取特征，并将scSE注意力模块嵌入Resnet网络，构建优化的Mask R
‑
CNN模型；
[0012]利用所述训练数据集对优化的Mask R
‑
CNN模型进行训练；
[0013]利用所述测试数据集验证训练后的Mask R
‑
CNN模型，并计算模型的mAP指标，且与标注的样本数据集进行比较，计算IoU指标。
[0014]进一步的，所述对收集的海洋锋SST影像数据进行数据增强和扩充处理，包括：
[0015]对海洋锋SST影像数据采用CLAHE算法进行数据增强；
[0016]对海洋锋SST影像进行旋转、翻转、及批量裁剪进行数据扩充。
[0017]进一步的，所述对海洋锋SST影像进行旋转、翻转、及批量裁剪进行数据扩充，之后还包括：
[0018]借助python和scharr算法分别得到灰度影像和梯度影像，最终建立灰度影像、RGB影像及梯度影像三种数据集。
[0019]进一步的，所述优化的Mask R
‑
CNN模型，包括引入IoU boundary loss构建的新的Mask损失函数。
[0020]进一步的，所述将标注的样本数据集分为训练数据集与测试数据集，之前还包括：
[0021]使用LabelMe软件按照COCO数据集的格式对样本数据集标注为强海洋锋和弱海洋锋。
[0022]进一步的，所述方法，还包括：
[0023]构建强、弱海洋锋训练集，验证所述训练后的Mask R
‑
CNN模型对强、弱海洋锋检测的有效性。
[0024]进一步的，所述利用所述训练数据集对所述Mask R
‑
CNN模型进行训练，包括：
[0025]对分类网络、定位网络和分割网络进行训练。
[0026]上述融合scSE和Mask R
‑
CNN网络的海洋锋检测方法，对Mask R
‑
CNN中的特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合scSE和Mask R
‑
CNN网络的海洋锋检测方法，其特征在于，所述方法包括：对收集的海洋锋SST影像数据进行数据增强和扩充处理，建立样本数据集；将标注的样本数据集分为训练数据集与测试数据集；选用浅层的Resnet
‑
50网络提取特征，并将scSE注意力模块嵌入Resnet网络，构建优化的Mask R
‑
CNN模型；利用所述训练数据集对优化的Mask R
‑
CNN模型进行训练；利用所述测试数据集验证训练后的Mask R
‑
CNN模型，并计算模型的mAP指标，且与标注的样本数据集进行比较，计算IoU指标。2.根据权利要求1所述的融合scSE和Mask R
‑
CNN网络的海洋锋检测方法，其特征在于，所述对收集的海洋锋SST影像数据进行数据增强和扩充处理，包括：对海洋锋SST影像数据采用CLAHE算法进行数据增强；对海洋锋SST影像进行旋转、翻转、及批量裁剪进行数据扩充。3.根据权利要求2所述的融合scSE和Mask R
‑
CNN网络的海洋锋检测方法，其特征在于，所述对海洋锋SST影像进行旋转、翻转、及批量裁剪进行数据扩充，之后还包括：借助pyt...

【专利技术属性】
技术研发人员：徐慧芳，黄冬梅，贺琪，杜艳玲，陈括，覃学标，陈珂，
申请(专利权)人：上海海洋大学，
类型：发明
国别省市：