(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 202210905953.7 (22)申请日 2022.07.29 (71)申请人 大连东软信息学院 地址 116000 辽宁省大连市甘井 子区软件 园路8号 (72)发明人 李想　谷晓磊　张洪楠　王博　 任庆慧　周慧　 (74)专利代理 机构 大连至诚专利代理事务所 (特殊普通 合伙) 21242 专利代理师 王丹　陈义华 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种改进Faster RCNN的SAR图像船舶识别 方法 (57)摘要 本发明公开了一种改进FasterRCNN的SAR图 像船舶识别方法， 包括， 获取SAR图像船舶数据 集， 对SAR图像船舶数据集中船舶的类别进行标 注， 对标注后的数据集进行图像增强， 将数据集 划分为训练集、 测试集； 创建FasterRCNN目标检 测模型， 对FasterRCNN目标检测模型初始化， 将 FasterRCNN目标检测模型的主干网络VGG16替换 为ResNeXt101_vd ‑DCN可变形残差卷积网络， 根 据RPN和NAS ‑FPN构建特征融合金字塔,通过由 iouloss、 Matrix NMS构成的组合型优 化函数对预 测网络进行优化； 通过训练集训练修改后的 FasterRCNN目标检测模型并对其进行测试， 计算 模型的识别准确度， 根据 识别准确度选择并保存 训练后的FasterRCNN目标检测模型， 根据保存的 模型检测识别SAR图像中的船舶。 解决了形变检 测问题， 通过特征融合金字塔与组合型优化函数 提升了检测精度。 权利要求书1页 说明书5页 附图2页 CN 115294468 A 2022.11.04 CN 115294468 A 1.一种改进Faster  RCNN的SAR图像船舶识别方法， 其特 征在于， 包括 获取SAR图像船舶数据集， 对SAR图像船舶数据集中船舶的类别进行标注， 对标注后的 数据集进行图像增强， 并将图像增强后的数据集划分为训练集、 测试集； 创建Faster  RCNN目标检测模型， Faster  RCNN目标检测模型包括主干网络、 特征提取 网络、 预测网络， 对Faster  RCNN目标检测模型初始化， 将Faster  RCNN目标检测模型的主干 网络VGG16替换为ResNeXt101_vd ‑DCN可变形残差卷积网络， 根据特征提取网络RPN和自搜 索特征融合金字塔NAS ‑FPN构建特征融合金字塔,最后通过由iou  loss、 Matrix  NMS构成的 组合型优化 函数对预测网络进行优化； 通过训练集训练Faster  RCNN目标检测模型并对其进行测试， 计算Faster  RCNN目标检 测模型的识别准确度， 设置识别准确度阈值， 选择满足识别准确度阈值的Faster  RCNN目标 检测模型并进行保存， 根据保存的Faster  RCNN目标检测模型检测识别SAR图像中的船舶。 2.根据权利要求1所述的一种改进Faster  RCNN的SAR图像船舶识别方法， 其特征在于， 所述ResNeXt101_vd ‑DCN可变形残差卷积网络包括根据c ardinality基数将 ResneXt101深 度残差网络的每个残差卷积子模块进 行平均划分， 在每个残差卷积子模块中平行增加一个 avgpool池化， 以及在ResneXt101深度残差网络的C3 ‑C5层中每个采样点上增加一个偏移参 数。 3.根据权利要求2所述的一种改进Faster  RCNN的SAR图像船舶识别方法， 其特征在于， 所述根据特征提取网络RPN和自搜索特征融合金字塔NAS ‑FPN构建特征融合金字塔为首先 提取ResNeXt101_vd ‑DCN可变形残差卷积网络的C3 ‑C5层并进行下采样获得C6 ‑C7层， 构建 {C3,C4,C5,C6,C7}特征金字塔， 将C3层、 C5层作为输入， 同时选取C4层作为输出层的参数， 通过NAS‑FPN中的搜索模块对C3层、 C5层进行融合生 成新的特征层P， 再次通过NAS ‑FPN中的 搜索模块对C3层、 C5层进行融合， 直至生成M个新特征层， M为与特征层集合中特征层的个 数， 将M个特征层加入至特征层集合{C3,C4,C5,C6,C7}中， 特征层集合通过步长及参数进行 横向特征连接操作后生成新的特 征映射{P3、 P4、 P5、 P6、 P7}。 4.根据权利要求1所述的一种改进Faster  RCNN的SAR图像船舶识别方法， 其特征在于， 所述通过由iou loss、 Matrix NMS构成的组合型优化 函数对预测网络进行优化是指 在模型训练时计算预测框与真实框的重合度IoU， 对IoU做取反操作并加入到损失函数 IoU Loss中， 所述损失函数根据公式(1)进行计算， IoU Loss＝1‑IoU*IoU                   (1) 设置重合阈值， 当重合度IoU大于重合阈值， 获取对应 的预测框， 根据Matrix  NMS极大 值抑制算法利用软化滤除的方式降低预测框的重合度IoU， 直到预测框的重合度IoU小于等 于重合阈值。 5.根据权利要求3所述的一种改进Faster  RCNN的SAR图像船舶识别方法， 其特征在于， 所述对C3层、 C5层进行融合生成新的特征层P包括C3层、 C5层分辨率一致时执行SUM求和操 作生成特征层P， 当C3层、 C5层分辨率不一致时， 分辨率高的特征层执行最大池化及Sigmoid 函数操作， 同时与分辨率低的特征层元素相乘， 最后与分辨率低的特征层相加得到特征层 P。权　利　要　求　书 1/1 页 2 CN 115294468 A 2一种改进Fa ster RCNN的SAR图像船舶识别方 法 技术领域 [0001]本发明涉及图像处理领域， 尤其涉及一种改进Faster  RCNN的SAR 图像 船舶识别 方法。 背景技术 [0002]合成孔径雷达(synthet ic aperture  radar,SAR)技术作为一种主动式频率分  析 成像传感器， 利用小尺度真实天线孔径雷达沿长线阵轨迹等速运动辐射，  并结合对相参信 号数据处理形成全时候高分辨率遥感影像， 从而对包含伪装  遮挡性的物体具备全时观测 能力。 随着SAR成像技术不断进步， 对SAR图  像中船舶目标识别的准确性与时效性提出了更 高的要求。 [0003]经典SAR图像船舶目标检测方法根据数据及特征类型不同， 设定不同的  门限参数 区分图像内部像素点， 以完成目标及背 景的分割实现目标检测。 然  而此类方法区分设定相 对单一， 面对不同场景需制定具体的解决方案， 在实  际使用过程中经常发生船舶识别泛化 能力差、 虚警率高的问题。 [0004] [0005]随着人工智能计算机视觉技术的发展， 基于深度学习图像识别算法在目  标检测、 语义分割等多个领域取得了相比传统算法更高效的应用效果， 深度  学习算法以其端到端 的检测思想， 根据不同识别目标构建训练样本， 几乎无  需人工干预完全应用一套网络结构 训练， 就可实现不同场景特定目标的识别。  深度学习技术在应用SAR图像船舶识别时无需 区分近岸远海目标， 网络通过  自主学习便完成深度语义特征提取。 如今已涌现的应用于自 然光学影像中的  目标检测算法为基于深度学习的SAR图像船舶识别提供了良好的理论基 础。 按照目标检测分类原理可以将现存算法分为两种类别， 其一为基于候选框卷  积的 RCNN系列(包含Fast  RCNN和Faster  RCNN)构建的T wo‑stage检测  算法， 另一种为基于回归 卷积的Yolo系列(包含Yolo3、 Yolo4)构建的  One‑stage检测算法。 T wo‑stage算法核心在于 候选框的选择其运行步骤为候  选框选取、 特征提取、 分类及回归算法， 模型结构决定其特 点为检测精度高  但检测速度 慢， One‑stage算法核心在于仅运用一次卷积即实现全特征提 取， 模型结构决定其特点 为检测速度快但检测精度较低。 [0006]目前， 越来越多的学者和研究机构聚焦深度学习 在SAR图像船舶目标的  检测与定 位。 但是由于SAR图像不同于传统自然图像， 其包含的多分辨率多  尺度船舶目标特点， 给深 度学习图像识别传统目标检测算法提供很大 的挑战， 因此对于提升多分辨率复杂场景下 的SAR图像多尺度船舶目标检测精度， 降  低模型复杂度及训练代价， 仍然是当前大多数算 法亟需解决的问题。 发明内容 [0007]本发明提供一种改进Faster  RCNN的SAR 图像船舶识别方法， 以克服上  述技术问 题。说　明　书 1/5 页 3 CN 115294468 A 3