(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210045694.5 (22)申请日 2022.01.16 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市太白南路2号 申请人 陕西航天技 术应用研究院有限公司 (72)发明人 王海　周科学　张敏　谭金林　 王梁　张锐　 (74)专利代理 机构 陕西电子 工业专利中心 61205 专利代理师 程晓霞　王品华 (51)Int.Cl. G06V 20/00(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06V 10/80(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种SAR图像多尺度舰船目标检测方法 (57)摘要 本发明提供了一种SAR图像多尺度舰船目标 检测方法， 解决了舰船目标检测网络直接进行特 征图融合， 忽略特征图间融合程度的技术问题。 本发明通过 获取原始SSDD数据集； 构建特征提取 模块； 构建特征融合模块； 构建基于特征提取和 特征融合模块的舰船目标检测网络； 进行网络训 练和测试， 实现了SAR图像多尺度舰船目标更准 确的检测。 本发 明构建的特征提取模块能获得被 检测舰船目标的多尺度特征， 且作为检测网络主 干和检测头的基础模块。 构建的特征融合模块能 在特征自适应融合之后经过一个特征提取模块 增强特征表达。 本发明拥有强大特征提取能力的 同时能平衡多尺度舰船目标的检测， 提升了检测 精度， 用于SAR图像舰船目标检测。 权利要求书4页 说明书15页 附图3页 CN 114494829 A 2022.05.13 CN 114494829 A 1.一种SAR图像多尺度舰船目标检测方法， 其特 征在于， 包括有以下步骤： (1)获取原始SSDD数据集： 通过SA R和网络获取得到被检测舰船目标的原始合成孔径雷 达图像舰船检测数据集SSDD， 获取数据集中的图像格式为jpg， 该图像为舰船目标检测网络 的输入图像， 图像中标注文件格式为xml， 对标注文件进 行预处理以符合舰船目标检测网络 所需的txt格式要求， 存为txt格式文本， 作为被检测舰船目标的原始SSDD， 然后以8:2的划 分比例得到被 检测舰船目标的训练集和 测试集； (2)构建CSPMRes2特征提取模块， 获取多尺度特征： 构建的特征提取模块CSPMRes2将输 入特征图x在通道维度上平均分为两部分x0'和x0”， 其中一部分x0'特征图经过k个引入了坐 标注意力机制模块的多尺度特征提取模块MRes2以获得被检测舰船目标的多尺度特征， 最 后一个多尺度特征提取模块MRes2的输出经过一个卷积核为1 ×1， 步长为1 ×1的卷积块后 结果为xT特征图， 将xT特征图与x0”特征图在通道维度进行拼接后的结果经过一个卷积核为 1×1， 步长为1 ×1的卷积块， 此时的结果xU为构建的CSPMRes2特征提取模块的输出； k为多 尺度特征提取模块MRes2的个数， 当k＝1时， 构建的CSPMRes2特征提取模块记为CSPMRes2_ 1， 当k＝3时， 构建的CSPMRes2特征提取模块记为CSPMRes2_3； 也就是说CSPMRes2特征提取 模块的输出包含被检测舰船目标的多尺度特征； 构建的CSP MRes2特征提取模块将作为舰船 目标检测网络主干的基础模块， 设置在舰船目标检测网络主干最后三个不同层上的 CSPMRes2特征提取模块分别输出的三个不同尺度特征图fs， fm和fl作为舰船目标检测网络 主干的输出， 其中fs为小尺寸特 征图， fm为中等尺寸特 征图， fl为大尺寸特 征图； (3)构建FC ‑FPN特征融合模块： 构建的特征融合模块FC ‑FPN的输入是舰船目标检测网 络主干最后三个不同层上的CSPMRes2特征提取模块的三个不同尺度特征图fs， fm和fl； FC‑ FPN特征融合模块中参与特征融合的特征图都有一个可学习的融合系 数， 使特征融合自适 应地进行， 在特征自适应融合后会 经过一个CSP MRes2_1特征提取模块以增强特征表达； FC ‑ FPN特征融合模块结构内有从上至下的两次特征上采样过程和从下至上的两次特征下采样 的过程， 其中从上至下的上采样过程以特征 图fs为基础进行第一次上采样， 上采样结果与 特征图fm进行自适应特征融合后经过一个CSPMRes2_1特征提取模块的输出特征图记为fsm， 然后以特征图fsm为基础进行第二次上采样， 上采样结果与特征图fl进行自适应特征融合后 经过一个CSPMRes2_1特征提取模块后的输出特征图记为fml； 从下至上的下采样过程以特征 图fml为基础进行第一次下采样， 下采样结果与特征图fsm进行自适应特征融合后经过一个 CSPMRes2_1特征提取模块后的输出特征图记为flm， 然后以特征图flm为基础进行第二次下 采样， 下采样结果与特征图fs进行自适应特征融合后经过一个CSPMRes2_1特征提取模块后 的输出特征图记为fms； 构建的FC ‑FPN特征融合模块的输出是三个不同尺度特征图fml， flm和 fms， 其中fml用于检测小尺寸舰船目标， flm用于检测中等尺寸舰船目标， fms用于检测小尺寸 舰船目标； (4)构建基于CSPMRes2和FC ‑FPN模块的目标检测网络； 将特征提取模块CSPMRes2和特 征融合模块FC ‑FPN作为构建SAR图像多尺度舰船目标检测网络的基础模块， 该构建的SAR图 像多尺度舰船目标检测网络包括主干与检测头两部分， 主干在前， 检测头在后； 该SAR图像 多尺度舰船目标检测网络输入为原始SSDD数据集中的输入图像， 舰船目标检测网络主干中 以卷积下采样模块在前， CSPMRes2特征提取模块在后的顺序交替重复四次作为主体结构， 其中第四次卷积下采样模块和CSPMRes2特征提取模块之间有一个SPP(Spatial  Pyramid 权　利　要　求　书 1/4 页 2 CN 114494829 A 2Pool)金字塔池化模块； SAR图像多尺度舰船 目标检测网络主干总体经过了五次下采样， 其 中第一次下采样操作为Focus， 其他的下采样均是通过卷积的形式进行的， SAR图像多尺度 舰船目标检测网络主干的输出是最后三个不同层上的CSPMRes2特征提取模块的三个不同 尺度特征图fs， fm和fl； SAR图像多尺度舰船目标检测网络的检测头就是特征融合模块FC ‑ FPN， 检测头输入 是SAR图像多尺度舰船目标检测网络主干最后三个不同层上的CSPMRes2特 征提取模块的三个不同尺度特征图fs， fm和fl， 其输出为三个不同尺度的特征图fml， flm和 fms； 检测头的输出也是基于 CSPMRes2和FC ‑FPN模块构建的舰船目标检测网络的输出； (5)舰船目标检测网络训练： 使用被检测舰船目标的训练集作为SAR图像多尺度舰船目 标检测网络的输入， 网络的输入大小为512 ×512， 使用随机梯度下降SGD作为优化器， 网络 的初始学习率为0.01， 动量为0.937， 迭代次数为800个epoch， 采用了左右翻转， 马赛克数据 增强手段； 设置完网络所需超参数后， 开始网络的训练， 生成并得到SAR图像多尺度舰船目 标检测网络训练模型； 舰船目标检测网络的训练都是从头开始训练， 未使用任何预训练模 型参数； (6)舰船目标检测网络测试： 使用被检测舰船目标的测试集作为SAR图像多尺度舰船目 标检测网络训练模型的输入， 首先设置交并比IoU(Intersection  over Union)阈值为 0.001， 置信度阈值为0.65， 然后加载训练完成后的模型参数， 将测试数据集统一图片尺寸 512×512后送入SAR图像多尺度舰船 目标检测网络进行测试， 得到被检测舰船 目标的检测 结果， 检测结果中的每只舰船具有类别， 置信度， 舰船中心横坐标， 舰船中心纵坐标， 舰船目 标宽度和舰船目标高度六个属性， 最后将检测结果与txt格式文本中存储的真实目标位置 与类别进行COCO格式指标的评估。 2.根据权利 要求1所述的一种SA R图像多尺度舰船目标检测方法， 其特征在于， 步骤(1) 中所述的提取原 始SSDD数据集包括有如下步骤： (1a)解析原始SSDD数据集： 解析原始SSDD数据 集xml文件格式的标签文件， 提取图片宽 度img_width和高度img_height， 舰船目标矩形标注框位置左下角(xmin， ymin)坐标信息和 右上角(xmax， ymax)坐标信息以及舰船目标类别； (1b)舰船目标类别编号： 将原始图像的舰船目标类别从零开始进行顺序编号， 得到舰 船目标类别的编号； (1c)舰船目标坐标变换： 将原始图像中舰船目标矩形标注框的左下角坐标(xmin， ymin)和右上角坐标(xmax， ymax)坐标变换为舰船目标矩形标注框中心坐标(cx， c y)和舰船 目标矩形标注框宽高(w， h)； xmin， xmax， cx为舰船目标矩形标注框横坐标； ymin， ymax， cy为 舰船目标矩形标注框纵坐标； w为舰船目标矩形标注框的宽度， h为舰船目标矩形标注框的 高度； 坐标变换计算公式具体如下： 权　利　要　求　书 2/4 页 3