[发明专利]一种利用卷积神经网络进行船舶检测的训练方法及其船舶检测方法

权利要求书

1.一种利用卷积神经网络进行船舶检测的训练方法，其特征在于，包括：

将包括船舶信息的SAR图像数据制作成预定义规格的训练图像信息；

利用所述训练图像信息训练用于船舶检测的卷积神经网络获得所述卷积神经网络的类间关系及所述训练图像信息中的难例；

利用焦点损失函数调整所述卷积神经网络的所述类间关系和所述难例的权重，以达到预设精度；

其中，所述卷积神经网络的结构包括：基础处理模块、分类处理模块和回归处理模块；所述基础处理模块，至少包括下采样子模块和上采样子模块，用于根据所述训练图像信息获得多个第一特征图像信息，并将所述第一特征图像信息分别输送给所述分类处理模块和回归处理模块；所述分类处理模块用于根据所述第一特征图像信息获得船舶分类信息；所述回归处理模块用于根据所述第一特征图像信息提取船舶定位回归的图像信息；所述第一特征图像信息，包括维数相同的多尺度的且用于分类和定位回归的图像信息。

2.根据权利要求1所述的训练方法，其特征在于，所述基础处理模块，至少包括特征金字塔网络。

3.根据权利要求2所述的训练方法，其特征在于，所述特征金字塔网络，至少包括：下采样子模块、上采样子模块和特征图像信息处理子模块；

所述下采样子模块，包括第一下采样卷积块、第二下采样卷积块、第三下采样卷积块、第四下采样卷积块和第五下采样卷积块；

所述第一下采样卷积块，用于根据所述训练图像信息生成第一下采样特征图像信息，所述第一下采样特征图像信息尺寸是所述训练图像信息尺寸的一半；

所述第二下采样卷积块，用于根据所述第一下采样特征图像信息生成第二下采样特征图像信息，所述第二下采样特征图像信息尺寸是所述第一下采样特征图像信息尺寸的一半；

所述第三下采样卷积块，用于根据所述第二下采样特征图像信息生成第三下采样特征图像信息，所述第三下采样特征图像信息尺寸是所述第二下采样特征图像信息尺寸的一半；

所述第四下采样卷积块，用于根据所述第三下采样特征图像信息生成第四下采样特征图像信息，所述第四下采样特征图像信息尺寸是所述第三下采样特征图像信息尺寸的一半；

所述第五下采样卷积块，用于根据所述第四下采样特征图像信息生成第五下采样特征图像信息；

所述上采样子模块，包括第四处理单元、第三处理单元、第二处理单元和第一处理单元；

所述第四处理单元，用于将所述第五下采样特征图像信息进行预设第一处理生成第四上采样特征图像信息；

所述第三处理单元，用于将所述第四上采样特征图像信息尺寸扩大一倍后与第三信息融合，并生成第三上采样特征图像信息，所述第三信息是对所述第四下采样特征图像信息进行预设第一处理生成的信息；

所述第二处理单元，用于将所述第三上采样特征图像信息尺寸扩大一倍后与第二信息融合，并生成第二上采样特征图像信息，所述第二信息是对所述第三下采样特征图像信息进行预设第一处理生成的信息；

所述第一处理单元，用于将所述第二上采样特征图像信息尺寸扩大一倍后与第一信息融合，并生成第一上采样特征图像信息，所述第一信息是对所述第二下采样特征图像信息进行预设第一处理生成的信息；

所述特征图像信息处理子模块，用于分别根据第一上采样特征图像信息、第二上采样特征图像信息、第三上采样特征图像信息、第四上采样特征图像信息进行预设第二处理，并生成每个上采样特征图像信息所对应的所述第一特征图像信息。

4.根据权利要求3所述的训练方法，其特征在于，所述第一下采样卷积块和所述第二下采样卷积块，均由2个卷积层、2个修正的线性单元和1个池化层堆叠而成。

5.根据权利要求3所述的训练方法，其特征在于，所述第三下采样卷积块和所述第四下采样卷积块和所述第五下采样卷积块，均由3个卷积层、3个修正的线性单元和1个池化层堆叠而成。