本發明專利技術公開了一種基于特征融合和跨層連接的SAR圖像目標檢測方法，包括：獲取待檢測圖像，待檢測圖像為SAR圖像；輸入待檢測圖像至預先訓練好的檢測模型，以使待檢測模型對待檢測圖像進行下采樣，得到不同尺度的第一類特征圖；對第一類特征圖進行注意力特征融合得到第二類特征圖后，對第一類特征圖及第二類特征圖進行跨尺度特征融合，得到第三類特征圖；利用第三類特征圖感知待檢測圖像中的目標，獲得目標檢測結果。本發明專利技術通過4倍、8倍、16倍和32倍下采樣提取出待檢測圖像的淺層細節特征，同時將其與深層語義特征融合，能夠提升對目標的檢測能力。此外，本發明專利技術在特征圖的融合過程中還引入了注意力機制，可以進一步提升待檢測圖像中目標的檢測精度。目標的檢測精度。目標的檢測精度。
【技術實現步驟摘要】
基于特征融合和跨層連接的SAR圖像目標檢測方法
[0001]本專利技術屬于目標檢測
，具體涉及一種基于特征融合和跨層連接的SAR圖像目標檢測方法。
技術介紹
[0002]SAR(Synthetic Aperture Radar，合成孔徑雷達)使用主動微波成像，有一定的穿透作用，能夠有效探測各種偽裝目標，適合在各種惡劣的戰場條件下完成偵察目標，從而提供各種條件下的高分辨圖像，因此對SAR圖像進行目標檢測在軍事戰略部署和海洋管理等領域起著重要的作用。
[0003]現有的SAR目標檢測算法主要包括恒虛警率檢測算法、多圖像特征融合算法、支持向量機和貝葉斯分類器等。隨著天氣、環境的干擾以及數據量的增加，這些傳統算法對于檢測模型的求解會變得十分困難，因此將會造成目標的虛警或者漏檢，降低目標的檢測效果。
[0004]近年來，深度學習技術快速發展，由于深度學習技術不需要人工耗時耗力的設計特征就可以實現目標檢測，因此推動了基于深度學習的SAR圖像目標檢測的研究。相關技術中，蘇娟等人在《用于SAR圖像小目標艦船檢測的改進SSD算法》中提出了遷移學習、淺層特征增強和數據增廣三個方面的改進，使檢測精度比原始的SSD檢測精度有所提高。胡昌華在《基于深度卷積神經網絡的SAR圖像艦船小目標檢測》中，通過在損失函數中引入目標尺寸的平衡項，使小目標具有更低的損失函數值，從而使小目標更容易檢測到，使得檢測效果有所提升。
[0005]然而，上述方法無法達到實際應用中對于目標檢測較高的精度要求，因此本領域技術人員亟需提出一種具有高精度檢測效果的SAR圖像小目標檢測方法。
技術實現思路
[0006]為了解決現有技術中存在的上述問題，本專利技術提供了一種基于特征融合和跨層連接的SAR圖像目標檢測方法。本專利技術要解決的技術問題通過以下技術方案實現：
[0007]本專利技術實施例提供一種基于特征融合和跨層連接的SAR圖像目標檢測方法，包括：
[0008]獲取待檢測圖像，所述待檢測圖像為SAR圖像；
[0009]輸入所述待檢測圖像至預先訓練好的檢測模型，以使所述待檢測模型對所述待檢測圖像進行下采樣，得到不同尺度的第一類特征圖；
[0010]對所述第一類特征圖進行注意力特征融合得到第二類特征圖后，對所述第一類特征圖及第二類特征圖進行跨尺度特征融合，得到第三類特征圖；
[0011]利用所述第三類特征圖感知所述待檢測圖像中的目標，獲得目標檢測結果。
[0012]在本專利技術的一個實施例中，所述檢測模型包括下采樣模塊，所述下采樣模塊包括第一下采樣層、第二下采樣層、第三下采樣層和第四下采樣層，所述第一下采樣層、第二下采樣層、第三下采樣層和第四下采樣層均包括卷積核大小為3
×
3、步長為2的卷積層。
[0013]在本專利技術的一個實施例中，輸入所述待檢測圖像至預先訓練好的檢測模型，以使
所述待檢測模型對所述待檢測圖像進行下采樣，得到不同尺度的第一類特征圖的步驟，包括：
[0014]將所述待檢測圖像輸入預先訓練好的檢測模型后，所述第一下采樣層、第二下采樣層、第三下采樣層和第四下采樣層分別對所述待檢測圖像進行4倍下采樣、8倍下采樣、16倍下采樣和32倍下采樣，獲得特征圖F1、特征圖F2、特征圖F3和特征圖F4。
[0015]在本專利技術的一個實施例中，所述檢測模型還包括第一特征融合模塊；
[0016]對所述第一類特征圖進行注意力特征融合得到第二類特征圖的步驟，包括：
[0017]所述第一特征融合模塊將所述特征圖F4依次輸入卷積核大小為1
×
1的卷積層以及3個5
×
5串行連接的最大池化層，獲得第二類特征圖中的特征圖F5，所述特征圖F5的尺寸與所述特征圖F4的尺寸相同；
[0018]所述第一特征融合模塊對所述特征圖F5進行2倍上采樣后，與所述特征圖F3融合得到特征圖F6；
[0019]所述第一特征融合模塊對所述特征圖F6進行2倍上采樣后，與所述特征圖F2融合得到特征圖F7；
[0020]所述第一特征融合模塊對所述特征圖F7進行2倍上采樣后，與所述特征圖F1融合得到特征圖F8。
[0021]在本專利技術的一個實施例中，對所述特征圖F5進行2倍上采樣后，與所述特征圖F3融合得到特征圖F6的步驟，包括：
[0022]對所述特征圖F5進行2倍上采樣；
[0023]利用注意力機制對上采樣后的特征圖F5以及所述特征圖F3分別進行處理；
[0024]將經過注意力機制處理的特征圖F5和特征圖F3進行通道拼接，得到特征圖F6。
[0025]在本專利技術的一個實施例中，利用注意力機制按照如下步驟對特征圖F3進行處理：
[0026]利用殘差網絡對所述特征圖F3進行處理，得到特征圖F3
’
；
[0027]對所述特征圖F3
’
分別在水平方向和豎直方向進行全局平均池化，得到水平方向特征圖及豎直方向特征圖
[0028]分別對所述水平方向特征圖及所述豎直方向特征圖進行卷積，并對得到的第一子特征圖及第二子特征圖進行通道拼接，獲得第三子特征圖；
[0029]對所述第三子特征圖進行非線性處理后，拆分得到水平方向特征圖及豎直方向特征圖
[0030]分別對所述水平方向特征圖及所述豎直方向特征圖進行卷積及歸一化，得到水平方向的注意力權重和豎直方向的注意力權重；
[0031]將所述特征圖F3
’
、所述水平方向的注意力權重以及豎直方向的注意力權重相乘，得到經過注意力機制處理的特征圖F3。
[0032]在本專利技術的一個實施例中，所述檢測模型還包括第二特征融合模塊；
[0033]對所述第一類特征圖及第二類特征圖進行跨尺度特征融合，得到第三類特征圖的步驟，包括：
[0034]所述第二特征融合模塊將所述特征圖F8依次輸入卷積核大小為1
×
1的卷積層以
及3個5
×
5串行連接的最大池化層，獲得第三類特征圖中的特征圖F9，所述特征圖F9的尺寸與所述特征圖F8的尺寸相同；
[0035]所述第二特征融合模塊對所述特征圖F9進行2倍下采樣后，與所述特征圖F2及所述特征圖F7進行特征融合，得到特征圖F10；
[0036]所述第二特征融合模塊對所述特征圖F10進行2倍下采樣后，與所述特征圖F3及所述特征圖F6進行特征融合，得到特征圖F11；
[0037]所述第二特征融合模塊對所述特征圖F11進行2倍下采樣后，與所述特征圖F5進行特征融合，得到特征圖F12。
[0038]在本專利技術的一個實施例中，對所述特征圖F9進行2倍下采樣后，與所述特征圖F2及所述特征圖F7進行特征融合，得到特征圖F10的步驟，包括：
[0039]對所述特征圖F9進行2倍下采樣；
[0040]利用所述注意力機制對下采樣后的特征圖F9、所述特征圖F2及所述特征圖F7分別進行處理；
本文檔來自技高網...
【技術保護點】
【技術特征摘要】
1.一種基于特征融合和跨層連接的SAR圖像目標檢測方法，其特征在于，包括：獲取待檢測圖像，所述待檢測圖像為SAR圖像；輸入所述待檢測圖像至預先訓練好的檢測模型，以使所述待檢測模型對所述待檢測圖像進行下采樣，得到不同尺度的第一類特征圖；對所述第一類特征圖進行注意力特征融合得到第二類特征圖后，對所述第一類特征圖及第二類特征圖進行跨尺度特征融合，得到第三類特征圖；利用所述第三類特征圖感知所述待檢測圖像中的目標，獲得目標檢測結果。2.根據權利要求1所述的基于特征融合和跨層連接的SAR圖像目標檢測方法，其特征在于，所述檢測模型包括下采樣模塊，所述下采樣模塊包括第一下采樣層、第二下采樣層、第三下采樣層和第四下采樣層，所述第一下采樣層、第二下采樣層、第三下采樣層和第四下采樣層均包括卷積核大小為3
×
3、步長為2的卷積層。3.根據權利要求2所述的基于特征融合和跨層連接的SAR圖像目標檢測方法，其特征在于，輸入所述待檢測圖像至預先訓練好的檢測模型，以使所述待檢測模型對所述待檢測圖像進行下采樣，得到不同尺度的第一類特征圖的步驟，包括：將所述待檢測圖像輸入預先訓練好的檢測模型后，所述第一下采樣層、第二下采樣層、第三下采樣層和第四下采樣層分別對所述待檢測圖像進行4倍下采樣、8倍下采樣、16倍下采樣和32倍下采樣，獲得特征圖F1、特征圖F2、特征圖F3和特征圖F4。4.根據權利要求3所述的基于特征融合和跨層連接的SAR圖像目標檢測方法，其特征在于，所述檢測模型還包括第一特征融合模塊；對所述第一類特征圖進行注意力特征融合得到第二類特征圖的步驟，包括：所述第一特征融合模塊將所述特征圖F4依次輸入卷積核大小為1
×
1的卷積層以及3個5
×
5串行連接的最大池化層，獲得第二類特征圖中的特征圖F5，所述特征圖F5的尺寸與所述特征圖F4的尺寸相同；所述第一特征融合模塊對所述特征圖F5進行2倍上采樣后，與所述特征圖F3融合得到特征圖F6；所述第一特征融合模塊對所述特征圖F6進行2倍上采樣后，與所述特征圖F2融合得到特征圖F7；所述第一特征融合模塊對所述特征圖F7進行2倍上采樣后，與所述特征圖F1融合得到特征圖F8。5.根據權利要求4所述的基于特征融合和跨層連接的SAR圖像目標檢測方法，其特征在于，對所述特征圖F5進行2倍上采樣后，與所述特征圖F3融合得到特征圖F6的步驟，包括：對所述特征圖F5進行2倍上采樣；利用注意力機制對上采樣后的...
【專利技術屬性】
技術研發人員：李艷艷，孫明，陳曉璇，孟娜，
申請(專利權)人：西北大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。