[发明专利]基于对抗域适应的SAR图像目标检测方法

权利要求书

1.一种基于对抗域适应的SAR图像目标检测方法，其特征在于，包括如下步骤：

(1)获取源域数据集和目标域数据集：

(1a)对光学遥感图像数据集A＝{A_i|1≤i≤s}中的每幅光学遥感图像A_i进行裁剪，得到I_S幅大小为M×N的光学遥感子图像，每幅光学遥感子图像包含至少一个目标类别，每个目标类别包含至少一个目标，并对每幅光学遥感子图像进行目标边框标记，然后将I_S幅光学遥感子图像及其标签作为源域数据集，其中，s≥10，I_S≥3000；

(1b)对与光学遥感图像场景相似的SAR图像数据集B＝{B_j|1≤j≤t}中的每幅SAR图像B_j进行裁剪，得到I_T幅大小为M×N的SAR子图像，每幅SAR子图像包含至少一个目标类别，每个目标类别包含至少一个目标，并对每幅SAR子图像进行目标边框标记，然后将I_T幅SAR子图像及其标签作为目标域数据集，将半数以上的SAR子图像及其标签作为目标域训练数据集，将其余的SAR子图像及其标签作为目标域测试数据集，其中t≥5，I_T≥130，I_S＞＞I_T；

(2)构建源域目标检测网络Faster R-CNN：

构建包括顺次连接的特征提取网络、建议区域提取网络、感兴趣区域池化层和分类回归网络的源域目标检测网络Faster R-CNN，其中特征提取网络包含多个卷积层和多个池化层，建议区域提取网络包含多个卷积层，分类回归网络包含多个全连接层；源域目标检测网络Faster R-CNN的损失函数为L_Source：

其中,表示建议区域提取网络的损失函数，为分类回归网络的损失函数，和分别为建议区域提取网络对建议目标区域的分类交叉熵损失和边框回归损失，和分别为分类回归网络对目标的分类交叉熵损失和边框回归损失；

(3)对源域目标检测网络Faster R-CNN进行迭代训练：

(3a)初始化特征提取网络的权值为在ImageNet数据集上预训练好的VGG16模型的权值随机初始化建议区域提取网络的权值为随机初始化分类回归网络的权值为初始化迭代次数为q_S，最大迭代次数为Q_S，Q_S≥50000，并令q_S＝0；

(3b)将源域数据集作为源域目标检测网络Faster R-CNN的输入进行目标检测，得到每幅光学遥感子图像中每个目标的类别和边框坐标的检测结果，并采用损失函数L_Source，通过检测结果以及每幅光学遥感子图像的标签计算源域目标检测网络Faster R-CNN的损失值

(3c)采用随机梯度下降法，并通过损失值对特征提取网络的权值建议区域提取网络的权值和分类回归网络的权值进行更新；

(3d)判断q_S＝Q_S是否成立，若是，得到训练好的权值为的源域目标检测网络FasterR-CNN，否则，令q_S＝q_S+1，并执行步骤(3b)；

(4)获取建议目标区域特征图

将源域数据集作为训练好的源域目标检测网络Faster R-CNN的输入进行建议区域提取，得到I_S幅光学遥感子图像的建议目标区域特征图，并将I_S幅光学遥感子图像的建议目标区域特征图作为感兴趣区域池化层的输入进行裁剪和池化，得到I_S幅大小为m×n的光学遥感子图像的建议目标区域特征图1≤p≤I_S；

(5)构建对抗域适应目标检测网络Faster R-CNN’：

构建包括顺次连接的特征提取网络、建议区域提取网络、感兴趣区域池化层、对抗域适应网络和分类回归网络的对抗域适应目标检测网络Faster R-CNN’，其中特征提取网络包含多个卷积层和多个池化层，建议区域提取网络包含多个卷积层，对抗域适应网络包含梯度反转层和多个卷积层，分类回归网络包含多个全连接层；对抗域适应目标检测网络Faster R-CNN’的损失函数为L_Target：

其中,表示建议区域提取网络的损失函数，表示分类回归网络的损失函数，表示有监督目标检测损失函数，L_DA表示对抗域适应网络的损失函数，α和β分别表示和L_DA的权重系数,和分别为建议区域提取网络对建议目标区域的分类交叉熵损失和边框回归损失，和分别为分类回归网络对目标的分类交叉熵损失和边框回归损失,表示第p个源域样本的建议目标区域特征图，为将第p个源域样本的域分类结果，表示第q个源域样本的建议目标区域特征图，为将第q个目标域样本的域分类结果，1和0分别表示源域样本的域标签和目标域样本的域标签；

(6)对对抗域适应目标检测网络Faster R-CNN’进行迭代训练：

(6a)初始化特征提取网络的权值为步骤(3)得到的训练好的源域目标检测网络FasterR-CNN的权值随机初始化建议区域提取网络的权值为对抗域适应网络的权值为θ_DA、分类回归网络的权值为初始化迭代次数为q_T，最大迭代次数为Q_T，Q_T≥50000,并令q_T＝0；

(6b)对对抗域适应目标检测网络Faster R-CNN’的权值进行更新：

(6b1)将目标域训练数据集作为对抗域适应目标检测网络Faster R-CNN’的输入进行前向推理，特征提取网络对每幅SAR子图像进行特征提取，得到I_T幅SAR子图像的特征图；

(6b2)建议区域提取网络对每幅SAR子图像的特征图进行建议区域提取，得到I_T幅SAR子图像的建议目标区域特征图；感兴趣区域池化层对每幅SAR子图像的建议目标区域特征图进行裁剪和池化，得到I_T幅大小为m×n的建议目标区域特征图1≤q≤I_T；

(6b3)抗域适应网络对步骤(4)得到的F_S和步骤(6b2)得到的F_T进行域分类，得到I_S+I_T幅建议目标区域特征图的域分类结果，并采用损失函数L_DA，通过域分类结果以及域标签计算对抗域适应网络的损失值

(6b4)分类回归网络对步骤(6b2)得到的F_T进行目标分类和边框坐标回归，得到I_T幅SAR子图像中每个目标的类别和边框坐标的检测结果，并采用有监督目标检测损失函数通过检测结果以及每幅SAR子图像的标签计算有监督目标检测的损失值

(6b5)通过步骤(6b3)中得到的损失值和步骤(6b4)得到的损失值计算对抗域适应目标检测网络Faster R-CNN’的损失值然后采用随机梯度下降法，并通过损失值对特征提取网络的权值建议区域提取网络的权值对抗域适应网络的权值θ_DA和分类回归网络的权值进行更新；

(6c)判断q_T＝Q_T是否成立，若是，得到训练好的对抗域适应目标检测网络Faster R-CNN’，否则，令q_T＝q_T+1，并执行步骤(6b)；

(7)获取SAR图像的目标检测结果：

将目标域测试数据集作为训练好的对抗域适应目标检测网络Faster R-CNN’的输入进行目标检测，得到I_T幅SAR图像中每个目标的类别和边框坐标。