[发明专利]基于深度学习FCN网络的遥感舰船目标轮廓分割与检测方法

权利要求书

1.基于深度学习FCN网络的遥感舰船目标轮廓分割与检测方法，其特征在于，包括以下步骤：

(1)采集不同型号、不同分辨率可见光的遥感舰船目标图像，对每一张遥感舰船目标图像进行逐像素标注，把遥感舰船目标图像和对应标注的遥感舰船目标图像打包构成训练样本；

(2)设计6层深度学习FCN网络；深度学习FCN网络具体为：前六层的节点依次为对遥感舰船目标图像进行6次卷积特征提取和下采样后的图像；后六层的节点依次为对第六层的图像进行6次反卷积特征提取和上采样后的图像；并分别将第五层、第四层和第三层与最后一层进行连接，连接实现的操作为把第五层、第四层和第三层的图像分别进行反卷积特征提取并上采样至原图大小，将上采样至原图大小的图像与最后一层的图像进行合并强化，完成整个网络的连接结构；前六层图像的分辨率在遥感舰船目标图像原图的基础上依次缩小了2，4，8，16，32和64倍；后六层图像的分辨率在第六层图像的基础上依次放大了2，4，8，16，32和64倍；第五层、第四层和第三层的图像分别进行反卷积特征提取并一一对应进行32倍、16倍和8倍上采样至原图大小；

(3)初始设定步骤(2)设计的深度学习FCN网络中的节点参数，对训练样本中的遥感舰船目标图像，根据步骤(2)的网络结构模型，得到检测结果，根据检测结果和对应标注的遥感舰船目标图像逐个像素计算多分类回归模型softmax分类的损失，得到每一个遥感舰船目标图像的损失值；

(4)将所有遥感舰船目标图像的损失值进行排序，选择损失值最大的设定个数的遥感舰船目标图像作为难例样本，并将这些难例样本的损失值反馈到深度学习FCN网络中，使用随机梯度下降法更新深度学习FCN网络的节点参数；

(5)将待检测图像采用重叠切分方法进行切分，将切分后的所有分块分别送入深度学习FCN网络中，得到每个分块的初始检测结果，并消除每个分块的细小的像素级误检测，将消除像素级误检测后的所有分块的检测结果汇总到原图中，得到最终检测与分割的合并结果。

2.根据权利要求1所述的基于深度学习FCN网络的遥感舰船目标轮廓分割与检测方法，其特征在于，步骤(5)具体包括以下步骤：

(501)计算分块的像素数S：

其中，X为分辨率，L为待检测图像的大小；

(502)采用重叠切分方法从坐标原点开始对待检测图像按照分块像素数进行分块；

(503)将所有分块分别送入深度学习FCN网络中，得到所有分块的初始检测结果，并通过膨胀腐蚀消除细小的像素级误检测；

(504)将消除像素级误检测后的所有分块的检测结果汇总到原图中，当重叠区域检测结果产生矛盾时，保留其中检测为目标像素的结果作为最终检测与分割的合并结果。