【技术实现步骤摘要】
本专利技术涉及一种轻量sar图像舰船检测方法，尤其涉及一种基于特征指导融合的轻量sar图像舰船检测方法，属于计算机视觉。
技术介绍
1、我国领海广阔,对海上舰船目标的检测显得尤为重要。在军事领域，对特定目标进行位置检测，有利于战术部署，提高海防预警能力；在民用邻域，对某些非法捕鱼船只进行检测，有助于海运的监测与管理。sar图像舰船检测是舰船检测的一种重要方式，然而sar图像由于其特殊的成像机理，存在特征多样性，图像噪声严重，清晰度不高等问题，从sar图像中准确的检测到船只目标存在一定的挑战。
2、传统的sar图像舰船检测方法主要基于恒虚警率检测算法(constant falsealarm rate,cfar)。当场景比较简单时，cfar方法能够取得较好的效果。对于小型船舶和复杂的海上场景，会有更多的误报和较差的检测性能。随着深度学习在计算机视觉领域的快速发展，出现了大量基于深度学习的检测方法。然而当前基于深度学习的目标检测算法计算资源需求太大和内存消耗严重使得成本较高，不利于部署在计算性能和存储空间有限的嵌入式边缘设备上，以实现实时监测。轻量级卷积核如能够有效减少卷积神经网络的计算量和参数量，而不需要重新设计神经网络架构，轻量卷积为实现网络轻量化提供了方案。
技术实现思路
1、本专利技术的目的在于提出了一种基于特征指导融合的轻量sar图像舰船检测方法。
2、为解决上述技术问题，本专利技术采用的技术方案是这样的：
3、一种基于特征指导融合的轻量sa
4、步骤1：图像预处理：将原始图片缩放到预定标准尺寸，得到预处理后的图片；
5、步骤2：建立目标检测网络：目标检测网络包括主干网络backbone、颈部网络neck和头部网络head；主干网络backbone包括依次级联的下采样模块focus、轻量下采样模块ldsm1、注意力增强模块lacsp1、轻量下采样模块ldsm2、注意力增强模块lacsp2、轻量下采样模块ldsm3、注意力增强模块lacsp3、轻量下采样模块ldsm4、金字塔池化模块spp、注意力增强模块lacsp4；颈部网络neck包括依次级联的conv1模块、上采样模块upsample1模块、注意力指导融合模块agfm1、跨尺度连接模块csp1、conv2模块、上采样模块upsample2模块、注意力指导融合模块agfm2、跨尺度连接模块csp2、轻量下采样模块ldsm5、注意力指导融合模块agfm3、跨尺度连接模块csp3、轻量下采样模块ldsm6、注意力指导融合模块agfm4、跨尺度连接模块csp4；头部网络head包括依次级联的detect1模块、detect2模块、detect3模块；
6、注意力增强模块lacsp2、注意力增强模块lacsp3、注意力增强模块lacsp4的相应输出端分别接注意力指导融合模块agfm2、注意力指导融合模块agfm1、conv1模块的相应输入端；注意力指导融合模块agfm2、注意力指导融合模块agfm1的相应输入端分别接上采样模块upsample2、上采样模块upsample1的相应输出端；detect1模块、detect2模块、detect3模块的相应输入端分别接跨尺度连接模块csp2、跨尺度连接模块csp3、跨尺度连接模块csp4的相应输出端；
7、步骤3：模型训练：将预处理后的图片输入目标检测网络，对目标检测网络进行指定轮次训练，选择预设性能指标最好的模型参数作为训练后目标检测网络的参数；
8、步骤4：检测图像中的船只目标：将sar图像输入到训练后目标检测网络，完成目标检测，执行非极大值抑制去除重叠的目标框，保留最可信的目标框，输出检测结果。
9、进一步，轻量下采样模块ldsm1至轻量下采样模块ldsm6结构相同；轻量下采样模块ldsm1包括轻量特征提取分支和卷积分支，轻量特征提取分支采用3x3深度卷积dwconv提取特征1，卷积分支使用卷积模块conv3来减少通道数，卷积模块conv3的输出分别经最大值池化maxpool模块和平均值池化avgpool模块提取特征2和特征3，特征1至特征3使用拼接操作合并后使用通道混洗cs模块增加通道之间的联系，实现组间信息交换，通过重新组织特征图的通道顺序，得到丰富特征表示的特征图fd。
10、进一步，注意力增强模块lacsp1至注意力增强模块lacsp4结构相同，用于对输入进行特征提取、融合，丰富特征的语义信息；注意力增强模块lacsp1将输入特征分为两个分支，其中一个分支经过卷积模块conv4对通道进行降维，之后经过轻量bottleneck模块处理；另一个分支只用卷积模块conv5对输入特征进行通道降维，两个分支的处理结果通过拼接模块concat合并，再经过卷积模块conv6恢复通道维度，之后经过注意力机制模块bam来进行特征增强。
11、更进一步，bam包括通道注意力分支和空间注意力分支，输入特征f分别经过空间注意力分支及通道注意力分支得到空间注意力和通道注意力，两者相加再经过sigmoid函数得到bam注意力。将得到的bam注意力与原始特征相乘，再通过一个残差连接与原始特征相加得到注意力增强后的特征。
12、进一步，注意力指导融合模块agfm1至注意力指导融合模块agfm4结构相同，用于对颈部网络neck中纵向传递的特征与横向传递的特征进行融合，对于纵向传递特征经过通道注意力模块channel attention处理后与横向传递的特征进行乘操作，然后再与纵向传递的特征进行拼接，再通过卷积模块conv进行通道降维后输出融合特征。
13、采用上述技术方案，本专利技术取得如下技术效果：
14、本专利技术在实现轻量网络架构的同时实现了船只的准确检测，展现了很好的实用性。提出了一个轻量下采样模块ldsm，取代标准卷积来提取特征，在减少参数量运算量的同时保证了检测性能。提出了轻量注意力增强csp模块lacsp，使网络进一步轻量化，并且使用注意力机制分别从通道维度和空间维度学习依赖特征，增强了舰船目标的表征。为了减少sar图像中复杂背景的干扰，设计了注意力指导融合模块agfm，将高层特征作为注意力对低层特征进行处理再进行融合，显著提高了模型的检测性能。
本文档来自技高网...【技术保护点】
1.一种基于特征指导融合的轻量SAR图像舰船检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于特征指导融合的轻量SAR图像舰船检测方法，其特征在于：所述轻量下采样模块LDSM1-LDSM6结构相同；轻量下采样模块LDSM1包括轻量特征提取分支和卷积分支，轻量特征提取分支采用3x3深度卷积模块DWConv提取第一特征，卷积分支使用卷积模块Conv3来减少通道数，卷积模块Conv3的输出端分别接最大值池化MaxPool模块和平均值池化AvgPool模块的输入端，最大值池化MaxPool模块和平均值池化AvgPool模块分别提取第二特征和第三特征，第一至第三特征拼接合并后经通道混洗模块CS增加通道之间的联系，重新组织特征图的通道顺序，输出特征图Fd。
3.根据权利要求1所述的基于特征指导融合的轻量SAR图像舰船检测方法，其特征在于：所述注意力增强模块LACSP1-LACSP4结构相同；注意力增强模块LACSP1中，输入特征分为两个分支处理，一个分支经过卷积模块Conv4对通道进行降维后输入过轻量Bottleneck模块处理；另一个分支只经卷积模块
4.根据权利要求1所述的基于特征指导融合的轻量SAR图像舰船检测方法，其特征在于：所述注意力指导融合模块AGFM1-AGFM4结构相同，第一输入端输入的特征经过通道注意力模块Channelattention处理后与第二输入端输入的特征相乘后与第一输入端输入的特征拼接，再经卷积模块Conv输出融合特征。
5.根据权利要求3所述的基于特征指导融合的轻量SAR图像舰船检测方法，其特征在于：所述注意力机制模块BAM包括通道注意力分支和空间注意力分支，输入特征分别经过空间注意力分支及通道注意力分支得到空间注意力和通道注意力，两者相加再经过Sigmoid函数得到BAM注意力。将得到的BAM注意力与原始特征相乘，再通过一个残差连接与原始特征相加得到注意力增强后的特征。
...【技术特征摘要】
1.一种基于特征指导融合的轻量sar图像舰船检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于特征指导融合的轻量sar图像舰船检测方法，其特征在于：所述轻量下采样模块ldsm1-ldsm6结构相同；轻量下采样模块ldsm1包括轻量特征提取分支和卷积分支，轻量特征提取分支采用3x3深度卷积模块dwconv提取第一特征，卷积分支使用卷积模块conv3来减少通道数，卷积模块conv3的输出端分别接最大值池化maxpool模块和平均值池化avgpool模块的输入端，最大值池化maxpool模块和平均值池化avgpool模块分别提取第二特征和第三特征，第一至第三特征拼接合并后经通道混洗模块cs增加通道之间的联系，重新组织特征图的通道顺序，输出特征图fd。
3.根据权利要求1所述的基于特征指导融合的轻量sar图像舰船检测方法，其特征在于：所述注意力增强模块lacsp1-lacsp4结构相同；注意力增强模块lacsp1中，输入特征分为两个分支处理，一个分支经过卷积模块conv4对通道进行降...
【专利技术属性】
技术研发人员：霍丽娜，魏一帆，王威，周琦，郭奕佳，耿宏欣，
申请(专利权)人：河北师范大学，
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。