[发明专利]基于级联神经网络的任意方向舰船目标检测方法

权利要求书

1.一种基于级联神经网络的任意方向舰船目标检测方法，其特征在于，包括：

将卫星影像输入到第一区域筛选网络，得到舰船目标候选区域图像；

将舰船目标候选区域图像输入到预先训练好的级联神经网络舰船检测模型中进行目标检测，得到初步目标检测结果；

利用NMS方法对初步目标检测结果进行去重，得到目标检测结果；

其中，级联神经网络舰船检测模型包括依次级联的第二区域筛选网络、网络连接层和目标检测网络。

2.根据权利要求1所述的基于级联神经网络的任意方向舰船目标检测方法，其特征在于，所述第二区域筛选网络和所述目标检测网络使用多尺度卷积层进行检测，均采用VGG16作为骨干网络，保留conv1_1至conv5_3，将最后两层全连接层替换为卷积层，另外增加conv6_1、conv6_2，conv7_1、conv7_2，conv8_1和conv8_2共6个卷积层以及一个3x5的长卷积核生成的用于检测的卷积层；且第二区域筛选网络和目标检测网络对应各层结构之间分别通过网络连接层进行连接，并且各个网络连接层通过反卷积操作使用高层网络连接层的特征。

3.根据权利要求1所述的基于级联神经网络的任意方向舰船目标检测方法，其特征在于，所述级联神经网络舰船检测模型的训练方法包括：

训练数据生成步骤：将预先标注好的高分辨率卫星影像裁剪成固定大小的样本数据；

数据增广步骤：基于样本数据和超分辨率对抗生成网络生成多尺度高分辨率影像，作为训练数据；采用旋转、翻转和亮度对比度调整方法进一步扩充样本数据，作为训练数据；

长宽比聚类分析步骤：对样本数据进行舰船目标的长、宽以及长宽比聚类分析，得到聚类结果，根据聚类结果设定长宽比参数；

训练步骤：基于长宽比参数和预设的默认框垂直偏移，将训练数据输入到级联神经网络舰船检测模型中进行训练，并利用NMS算法进行去重，在训练过程中基于损失函数进行收敛判断，最终得到训练好的级联神经网络舰船检测模型。

4.根据权利要求3所述的基于级联神经网络的任意方向舰船目标检测方法，其特征在于，训练数据生成步骤具体包括：

将深度学习网络输入图像大小作为滑动窗口的大小，有重叠的在卫星影像上滑动；

若当前滑动窗口内包含有效舰船目标，则将当前滑动窗口对应的图像裁剪出来，同时，将当前窗口内舰船相对于整幅卫星影像的坐标更新为在当前滑动窗口内的坐标，并保存为裁剪出的图像对应的XML标注文件。

5.根据权利要求4所述的基于级联神经网络的任意方向舰船目标检测方法，其特征在于，有效舰船目标的判别方法包括：

滑动窗口面积和舰船目标四边形区域重叠面积与舰船四边形区域面积之比大于0.5，则判定为有效舰船目标。

6.根据权利要求3所述的基于级联神经网络的任意方向舰船目标检测方法，其特征在于，训练步骤中所采用的损失函数为：

其中，i表示第几个默认框，表示与第i个默认框匹配的真实框的类别，表示与第i个默认框匹配的真实框的位置和大小，p_i表示置信度，x_i表示第二区域筛选网络中默认框的坐标，c_i表示预测类别，t_i表示目标检测网络中的预测坐标信息；N_rpn和N_odn分别表示第二区域筛选网络和目标检测网络中的正样本默认框数量；L_b表示二值分类损失，L_m表示多类别损失，L_r表示回归损失，表示若负样本的置信度大于一个阈值，则返回1，否则返回0；若N_rpn＝0，设置和若N_odn＝0，则设置和

7.根据权利要求3所述的基于级联神经网络的任意方向舰船目标检测方法，其特征在于，多尺度高分辨率影像包括：原始影像2倍分辨率的影像数据和原始影像4倍分辨率的影像数据。

8.根据权利要求1～7任意一项所述的基于级联神经网络的任意方向舰船目标检测方法，其特征在于，所述第一区域筛选网络采用MTCNN模型中的PNet网络。