【技术实现步骤摘要】
本专利技术涉及sar图像检测，特别涉及一种轻量型sar图像飞机目标检测方法。
技术介绍
1、由于sar图像中飞机目标独特的成像特征，直接将深度学习的光学通用检测模型应用于sar图像飞机目标检测任务中检测效果不佳，现有方法无法使得检测精度(网络模型对飞机目标检测与识别的准确度)和检测效率(网络模型的参数量、计算量、实时性)具有更优的平衡效果。
2、针对以上问题我们设计了一种更轻量的目标检测模型。并将此轻量级模型与模型剪枝技术结合，有效解决现有方法存在的检测效率低(训练成本高、参数量、计算量大和实时性差)问题，以利于模型部署。
技术实现思路
1、为解决
技术介绍
中提出的问题，本专利技术提供一种技术方案：一种轻量型sar图像飞机目标检测方法，所述方法基于yolov8n架构、ultralytics框架和depgraph模型，包括以下步骤：
2、步骤s0、获取sar图像；
3、步骤s1、在输入层采用mosaic数据增强方式，对sar图像进行预处理；
4、步骤s2、将经过数据增强的图片输入改进的主干网络，输出特征图；
5、所述改进的主干网络包括四阶段的特征提取骨干网络，所述特征提取骨干网络内的特征提取模块使用大核重参数化卷积；
6、步骤s3、改进yolov8n模型获取轻量型检测模型；具体包括以下步骤：
7、改进yolov8n模型的颈部网络，获得改进后的颈部网络；
8、改进yolov8n模型的解耦检测头
9、通过depgragh模型对进行剪枝，获取可部署的轻量型检测模型；
10、所述改进yolov8n模型的解耦检测头为：
11、在分类分支和回归分支上分别引入了可变形卷积和频率自适应扩张卷积；
12、步骤s4、对轻量型检测模型进行训练，得到最终用于部署的目标检测模型；
13、步骤s5、将步骤s2得到的输出特征图，输入改进的颈部网络，采用yolof的单输入单输出方法，对输出特征图进行多尺度的特征增强提取后，进行自适应特征融合操作，以增强对不同尺度特征的提取能力；
14、步骤s6、将步骤s5得到的输出输入改进的解耦检测头；通过改进后的解耦检测头来加强不同类别目标的区分能力和增强网络在图像高频部分对飞机的定位能力。
15、优选的，所述改进yolov8n模型的颈部网络，获得改进后的颈部网络，包括：
16、通过amdfm模块替换yolov8n模型的pan特征融合金字塔；
17、所述amdfm模块包括若干分支一、分支二和asff模块，所述分支一包括一个conv块和dmconv块，所述分支二包括一个conv块；
18、三个所述分支的输出与asff模块连接，分支二作为输出；
19、所述asff模块包括三个通道，每个通道内设置有一个1×1卷积块，所述分支一的输出与一个通道连接。
20、优选的，所述进行自适应特征融合操作，包括以下步骤：
21、获取三个dmconv块的输出；
22、将三个dmconv块的输出输入到asff模块的三个通道内；
23、三个通道的输出通过softmax函数转化为[0,1]之间的概率值w1、w2、w3；
24、将三个所述dmconv块的输出分别与w1、w2、w3相乘后相加，以此完成自适应特征融合。
25、优选的，所述在分类分支和回归分支上分别引入了可变形卷积和频率自适应扩张卷积，包括：
26、在分类分支中引入了轻量级的可变形卷积dcnv3，用于增强网络对不同类别飞机的识别能力；
27、所述可变形卷积dcnv3通过深度可分离卷积的方式，中分组卷积后，使用两个逐点卷积分别获取可变形卷积需要的偏移和调制标量，以嵌入到卷积核大小为3的可变形卷积中；
28、输出特征表示式为：
29、其中，p0为输入特征图上的任意一点，y(p0)表示以p0为中心的卷积核的输出，g为深度可分离卷积的分组数，
30、wg表示第g组的卷积的权重值，pk表示卷积核第k个采样点，δpgk和δmgk分别是相对于深度卷积每个分组卷积的卷积核的第k个采样点的可学习偏移量和调制标量，用于改变卷积核形状。
31、优选的，所述在分类分支和回归分支上分别引入了可变形卷积和频率自适应扩张卷积，包括：
32、引入了频率自适应扩张卷积；
33、通过freqselect组件，采样傅里叶变换将图像特征映射到从低到高的四个频率通道，对频率通道进行空间加权平衡各个频率的功率，再进行卷积操作得到偏移和掩码；
34、通过adakern组件将卷积核分解为低频和高频分量，以动态调整可变形卷积低频和高频部分的权重。
35、优选的，所述通过depgragh模型进行剪枝，获取可部署的目标检测模型，包括以下步骤：
36、对预训练的saerfdnet网络模型再进行稀疏训练；
37、对主干网络和颈部网络进行剪枝，得到轻量模型性saerfdnet。
38、优选的，所述对预训练的saerfdnet网络模型再进行稀疏训练，包括：
39、通过层间相互依赖性对层进行分组，以组为单位对saerfdnet网络模型进行稀疏训练；
40、对于k个可修剪的维度的每个参数ω，稀疏训练的正则项定义为：
41、
42、其中，表示可修剪维度的重要性；γk表示参数的收缩强度，γk的定义为：
43、归一化分数α为可调整的稀疏因子，用以控制收缩强度；
44、通过相对得分来识别并删除不重要的参数，相对得分如下所示：
45、
46、本专利技术还提供一种电子设备，所述电子设备用于执行所述的一种轻量型sar图像飞机目标检测方法。
47、本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现所述的一种轻量型sar图像飞机目标检测方法。
48、本专利技术的有益效果：
49、1、本专利技术中，通过改进yolov8n模型获得轻量型检测模型，它的骨干网络使用重参数化大核卷积进行特征提取，颈部网络使用自适应多尺度离散特征融合模块(amdfm)，能以较浅的网络深度获得更大的有效感受野，以在保证较好的特征提取能力的同时，解决网络特征提取部分参数量和计算量大的问题。
50、2、本专利技术中，在检测头部分做了两部分改进以对sar图像中呈现离散状的飞机目标具有更好的检测效果，分类分支引入可变形卷积，使得网络更关注不同类别目标的几何特征差异；回归分支引入频率自适应扩张卷积，加强对图像高频区域的目标定位能力。使用depgraph模型剪枝技术获得了更轻量高效的模型用于部署检测。
本文档来自技高网...【技术保护点】
1.一种轻量型SAR图像飞机目标检测方法，其特征在于，所述方法基于YOLOv8n架构、ultralytics框架和DepGraph模型，包括以下步骤：
2.根据权利要求1所述的一种轻量型SAR图像飞机目标检测方法，其特征在于，所述改进YOLOv8n模型的颈部网络，获得改进后的颈部网络，包括：
3.根据权利要求2所述的一种轻量型SAR图像飞机目标检测方法，其特征在于，所述进行自适应特征融合操作，包括以下步骤：
4.根据权利要求1所述的一种轻量型SAR图像飞机目标检测方法，其特征在于，所述在分类分支和回归分支上分别引入了可变形卷积和频率自适应扩张卷积，包括：
5.根据权利要求1所述的一种轻量型SAR图像飞机目标检测方法，其特征在于，所述在分类分支和回归分支上分别引入了可变形卷积和频率自适应扩张卷积，包括：
6.根据权利要求1所述的一种轻量型SAR图像飞机目标检测方法，其特征在于，所述通过DepGragh模型进行剪枝，获取可部署的目标检测模型，包括以下步骤：
7.根据权利要求1所述的一种轻量型SAR图像飞机目标检测
8.一种电子设备，其特征在于，所述电子用于执行上述权利要求1-7中任意一项所述的一种轻量型SAR图像飞机目标检测方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现上述权利要求1-7中任意一项所述的一种轻量型SAR图像飞机目标检测方法。
...【技术特征摘要】
1.一种轻量型sar图像飞机目标检测方法，其特征在于，所述方法基于yolov8n架构、ultralytics框架和depgraph模型，包括以下步骤：
2.根据权利要求1所述的一种轻量型sar图像飞机目标检测方法，其特征在于，所述改进yolov8n模型的颈部网络，获得改进后的颈部网络，包括：
3.根据权利要求2所述的一种轻量型sar图像飞机目标检测方法，其特征在于，所述进行自适应特征融合操作，包括以下步骤：
4.根据权利要求1所述的一种轻量型sar图像飞机目标检测方法，其特征在于，所述在分类分支和回归分支上分别引入了可变形卷积和频率自适应扩张卷积，包括：
5.根据权利要求1所述的一种轻量型sar图像飞机目标检测方法，其特征在于，所述在分类分支和回...
【专利技术属性】
技术研发人员：韩萍，白继睿，张致峥，周杰龙，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。