[发明专利]基于深度神经网络的SAR船舶检测系统及方法

权利要求书

1.一种基于深度神经网络的SAR船舶检测方法，所述基于深度神经网络的SAR船舶检测方法具体包括：

步骤一，从SAR图像中提取特征，通过自底向上和自顶向下的过程将特征图逐层融合，得到五个融合特征映射层L_i，i＝2,3,4,5,6；

步骤二，为得到的每个融合特征映射层L_i分配5种不同尺度的Scale_i＝{32*32，64*64，128*128，256*256，512*512}，i＝2，3，4，5，6，融合特征映射层L_i的锚框的长宽比都为{1:1,1:2,2:1}，最终生成k个锚框，k＝15，5种尺度×3种长宽比等于15；

步骤三，将生成的锚框分别发送到用于船舶目标分类的cls_layer和用于锚框回归的reg_layer，reg_layer有4K个输出，表示锚框的坐标，cls_layer有2K个输出，表示锚框是船舶目标的概率；利用非最大抑制算法来减少粗锚框的数量；

步骤四，细化粗锚框，对融化特征进行ROI池化，生成固定尺寸的特征，并对经过ROI池化后的特征进行融合，将融合后的特征反馈给后续的全连接层，得到最终的检测结果；

所述步骤一中自底向上和自顶向下的特征融合步骤具体包括：

(1)所述自底向上的特征融合前馈网络中包括会改变特征图大小的特征层与不会改变特征图大小的特征层；

选取五个特征映射层，表示为Conv_i，i＝2，3，4，5，6，每层提取的特征是每个特征映射层的最后一层的输出；其中Conv₆是通过在Conv₅上附加一个1*1的卷积层得到的分辨率最粗的特征图，五个特征映射层的步长分别为Stirde_i＝{4,8,16,32,64}，i＝2，3，4，5，6；

(2)自顶向下的特征融合：

对于i＝2，3，4首先将对应的Conv_i通道数量减少到256个，然后对Conv_i的上一层进行向上采样，在语义更强的特征图上产生更高分辨率的特征，并与该层的特征图横向连接来融合特征；

融合之后采用3×3卷积滤波器进行卷积消除上采样的混叠效应，得到融合特征映射层L_i。

2.如权利要求1所述的基于深度神经网络的SAR船舶检测方法，其特征在于，所述步骤三中利用非最大抑制算法来减少粗锚框的数量具体包括：

根据每个锚框与真实框之间的IoU来度量是否保留该锚框；

IoU定义为：

IoU＝(Area_bbox∩Area_gt)/(Area_bbox∪Area_gt)；

Area_bbox和Area_gt分别表示预测框和真实框，如果一个锚框的IoU大于0.7则被视为正锚框，IoU小于0.3被视为负锚框；参加训练的正、负锚框的比例为1:1。

3.如权利要求1所述的基于深度神经网络的SAR船舶检测方法，其特征在于，所述基于深度神经网络的SAR船舶检测方法还包括：

利用基于ResNet的残差学习深度网络增加网络深度；

通过残差映射连接神经网络卷积层，将输入SAR图像表示为x，底层输出映射表示为H(x),令堆叠的非线性层拟合另一个映射：F(x):＝H(x)-x，将原映射转换为F(x)+x，通过具有快捷连接的前馈网络实现。

4.一种实施权利要求1～3任意一项所述基于深度神经网络的SAR船舶检测方法的基于深度神经网络的SAR船舶检测系统，其特征在于，所述基于深度神经网络的SAR船舶检测系统还包括：

融合特征提取模块，用于从SAR图像中提取特征，通过自底向上和自顶向下的过程充分融合特征，并与区域提案模块和细检测模块共享融合特征图；

区域提案模块，用于将融合特征提取模块提供的融合特征映射层Li作为输入，进行SAR图像船舶与背景的分类，以及生成包含船舶目标位置的粗候选窗口；在每个特征融合层都要分别预测粗候选窗口，并将粗候选窗口传递给细检测模块；

细检测模块，用于以融合特征提取模块提供的特征和区域提案模块提供的粗锚框作为输入，细化粗锚框，进行更细的船舶检测，得到最终检测结果。