基于自监督蒸馏的边缘引导制造技术

本发明专利技术公开了基于自监督蒸馏的边缘引导

【技术实现步骤摘要】
基于自监督蒸馏的边缘引导SAR图像舰船检测方法


[0001]本专利技术属于舰船目标检测
，具体涉及基于自监督蒸馏的边缘引导
SAR
图像舰船检测方法
。

技术介绍

[0002]合成孔径雷达
(SAR)
作为一种主动式的对地观测系统，能够获取任何特定区域的全天时和全天候成像数据
。
近年来，利用机载和星载
SAR
技术获取海量高分辨率
SAR
图像已成为了发展趋势
。
与此同时，如何从这些
SAR
图像中自动化地提取兴趣场景和敏感目标等也愈发重要
。
[0003]舰船是海上活动的主要载体，无论是在军事上还是民用领域上对舰船进行检测都具有重要意义
。
大部分基于深度学习的舰船目标检测算法都被部署在地面应用系统中，由卫星先将数据传输到地面站，再由技术人员进行处理，然而此过程缺乏时效性
。
星载舰船目标检测算法大都以传统算法为主，部分深度学习算法虽然通过简化模型部署到了星载处理平台，但这类目标检测算法往往存在检测精度低，检测速度慢等问题
。

技术实现思路

[0004]本专利技术所要解决的技术问题是针对上述现有技术的不足，提供基于自监督蒸馏的边缘引导
SAR
图像舰船检测方法，提出基于自监督蒸馏和边缘引导的轻量级目标检测网络模型，利用自监督蒸馏学习在不要求人工标注的情况下获取一个性能良好的轻量级骨干网络，在此基础上利用边缘引导的特征与多尺度信息融合有效提升了目标检测性能，有助于对海域舰船进行监管，保障海域安全，在支持部署到星载处理平台的前提下，提高模型精度以及检测速度的同时保证对舰船检测的实时性，能够快速有效地检测复杂背景下遥感
SAR
图像的各种尺度的目标，为多源干扰环境条件下的军事侦察
、
无人作战系统等多种军事任务提供稳定可靠的技术支撑
。
[0005]为实现上述技术目的，本专利技术采取的技术方案为：
[0006]基于自监督蒸馏的边缘引导
SAR
图像舰船检测方法，包括以下步骤：
[0007]S1、
采用无标签的
SAR
图像数据集，通过自监督蒸馏学习训练轻量级网络
ResNet
‑
18
；
[0008]S2、
将带有标签的
SAR
图像目标检测数据集图像输入
ResNet
‑
18
进行特征提取，获得特征图；
[0009]S3、
基于特征图，采用频域和空间域的特征融合来预测图像边缘，得到边缘特征；
[0010]S4、
采用边缘特征对特征图进行边缘引导后输入空洞金字塔池化网络生成不同尺度的特征图；
[0011]S5、
将新
S4
生成的特征图送入检测模块获得检测结果
。
[0012]为优化上述技术方案，采取的具体措施还包括：
[0013]上述的步骤
S1
通过自监督蒸馏学习训练轻量级网络
ResNet
‑
18
，具体包括以下子
步骤：
[0014]S101、
获取无标签的
SAR
图像数据集；
[0015]S102、
对无标签的
SAR
图像数据集中的图像进行增强操作，生成两个样本；
[0016]S103、
以
ResNet
‑
152
作为教师模型，
ResNet
‑
18
作为学生模型和动量模型，将两个样本送入各模型；
[0017]S104、
各模型生成的结果通过多层感知机进行编码生成嵌入向量；
[0018]S105、
对学生模型和动量模型生成的嵌入向量计算相似度并进行对比学习；
[0019]S106、
采用教师模型生成的嵌入向量对学生模型对应的嵌入向量进行约束使其趋于一致
。
[0020]上述的步骤
S2
包括以下子步骤：
[0021]S201、
获取带有标签的
SAR
图像目标检测数据集；
[0022]S202、
将
SAR
图像目标检测数据集中的图像输入
ResNet
‑
18
进行特征提取，获得不同尺度特征图，包括大小分别为原图大小
1/4、1/8、1/16、1/32
的特征图
P1、P2、P3、P4。
[0023]上述的步骤
S3
包括以下子步骤：，
[0024]S301、
特征图
P1
通过傅里叶卷积获得特征图
F1
；
[0025]S302、
通过双线性插值法将特征图
P2、P3、P4
扩张到与
F1
相同尺度，并通过1×1卷积将扩张后的
P2、P3、P4
通道数减半；
[0026]S303、F1
依次与通道数减半后
P2、P3、P4
的特征相加并通过1×1卷积使
F1
与将要相加的特征图通道数对齐，得到融合后的特征图；
[0027]S304、
将融合后的特征图通过空间注意力模块计算得到边缘预测图，得到预测的边缘及边缘特征
。
[0028]上述的傅里叶卷积公式如下：
[0029][0030]其中，是表示傅里叶卷积后的二维矩阵，
x
是输入图像的二维矩阵，
u,v
表示在傅里叶卷积后的二维矩阵中的位置，
H,W
表示图像的长宽，
h,w
表示在输入图像上的位置
。
[0031]上述的步骤
S4
包括以下子步骤：
[0032]S401、
将边缘特征下采样后与特征图相乘后再加上特征图；
[0033]S402、
将
S401
得到的特征通过卷积
、
平均池化和
sigmoid
生成注意力权重；
[0034]S403、
将最初的特征图与注意力权重相乘后卷积得到边缘引导的特征；
[0035]S404、
将边缘引导的特征输入空洞金字塔池化网络进行多尺度融合
。
[0036]上述的步骤
S5
包括以下子步骤：
[0037]S501、
对空洞金字塔池化网络得到的三多尺度的特征图特征进行预测，得到预测结果；
[0038]S502、
根据预测结果和真值标签计算检测损失，检测损失包括分类损失...

【技术保护点】

【技术特征摘要】
1.
基于自监督蒸馏的边缘引导
SAR
图像舰船检测方法，其特征在于，包括以下步骤：
S1、
采用无标签的
SAR
图像数据集，通过自监督蒸馏学习训练轻量级网络
ResNet
‑
18
；
S2、
将带有标签的
SAR
图像目标检测数据集图像输入
ResNet
‑
18
进行特征提取，获得特征图；
S3、
基于特征图，采用频域和空间域的特征融合来预测图像边缘，得到边缘特征；
S4、
采用边缘特征对特征图进行边缘引导后输入空洞金字塔池化网络生成不同尺度的特征图；
S5、
将新
S4
生成的特征图送入检测模块获得检测结果
。2.
根据权利要求1所述的基于自监督蒸馏的边缘引导
SAR
图像舰船检测方法，其特征在于，步骤
S1
通过自监督蒸馏学习训练轻量级网络
ResNet
‑
18
，具体包括以下子步骤：
S101、
获取无标签的
SAR
图像数据集；
S102、
对无标签的
SAR
图像数据集中的图像进行增强操作，生成两个样本；
S103、
以
ResNet
‑
152
作为教师模型，
ResNet
‑
18
作为学生模型和动量模型，将两个样本送入各模型；
S104、
各模型生成的结果通过多层感知机进行编码生成嵌入向量；
S105、
对学生模型和动量模型生成的嵌入向量计算相似度并进行对比学习；
S106、
采用教师模型生成的嵌入向量对学生模型对应的嵌入向量进行约束使其趋于一致
。3.
根据权利要求1所述的基于自监督蒸馏的边缘引导
SAR
图像舰船检测方法，其特征在于，步骤
S2
包括以下子步骤：
S201、
获取带有标签的
SAR
图像目标检测数据集；
S202、
将
SAR
图像目标检测数据集中的图像输入
ResNet
‑
18
进行特征提取，获得不同尺度特征图，包括大小分别为原图大小
1/4、1/8、1/16、1/32
的特征图
P1、P2、P3、P4。4.
根据权利要求3所述的基于自监督蒸馏的边缘引导
SAR
图像舰船检测方法，其特征在于，步骤
S3
包括以下子步骤：，
S301、
特征图
P1
通过傅里叶卷积获得特征图
F1
；
S302、
通过双线性插值法将特征图
P2、P3、P4
扩张到与
F1
相同...

【专利技术属性】
技术研发人员：魏明强，丁晨俊，钱红燕，
申请(专利权)人：南京航空航天大学深圳研究院，
类型：发明
国别省市：