[发明专利]基于网络剪枝和知识蒸馏的SAR舰船目标检测方法

说明书

本发明公开了一种基于网络剪枝和知识蒸馏的SAR舰船目标检测方法，属于雷达遥感图像应用技术领域。技术方案是首先设计适用于SAR多尺度、大长宽比目标的骨干网络结构，然后对该网络进行通道剪枝以产生较紧凑的模型。另外，应用知识蒸馏策略来弥补由于网络剪枝造成的性能下降。不同于常用检测模型蒸馏方法中的全特征模仿，本发明将不同层级特征图之间的相互关系作为蒸馏中的迁移知识，还设计了一种新颖的注意力机制以增强目标相关的特征，从而使得蒸馏的特征有更强的表示能力。采用本发明构建的检测器可实现2.8M的模型大小，大于200fps的推理速度以及较低的计算成本，检测精度也有一定提升。

技术领域

本发明属于雷达遥感图像应用技术领域，涉及基于卷积神经网络的SAR(合成孔径雷达)图像舰船检测方法，尤其是结合深度网络压缩的目标检测方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)一种主动式微波成像传感器，其利用距离向的脉冲压缩技术和方位向的孔径合成技术来实现较高的空间分辨率，并借助机载和星载等平台实现对大范围观测区域的高分辨成像。目前，开展基于SAR图像的舰船目标检测研究备受各国关注，对维护海洋权益，执行海上救援任务以及实行海上目标的精确制导有着重要意义。

近年来，卷积神经网络(convolution neural network，CNN)凭借其强大的特征表示能力以及自动提取特征的优势在计算机视觉领域的检测、分类、分割等多个任务中取得了较高的精度，基于CNN的检测器在SAR图像舰船检测中的方法也层出不穷。然而，大多数检测模型以牺牲检测速度和模型计算量的代价来提高检测精度，限制了实时应用中SAR检测器的性能。如对比文件Cui Z，Li Q，et al，“Dense attention pyramid networks formulti-scale ship detection in sar images”，IEEE Transactions on Geoscience andRemote Sensing，2019，57(11)：8983-8997(Cui Z等人于2019年在《电气与电子工程师协会地理科学与遥感会刊》第57卷第11期发表的“密集注意力金字塔网络下的多尺度SAR图像舰船检测”)；对比文件Wei S，Su H，et al，“Precise and robust ship detection forhigh-resolution sar imagery based on hr-sdnet”，Remote Sensing，2019，12(1)：167(Wei S等人于2019年在《遥感》期刊第12卷第1期发表的“基于HR-SDNet网络的精确和鲁棒高分辨率SAR图像舰船检测”)。

对比文件Zhang T，Zhang X，et al,“Depthwise separable convolution neuralnetwork for high-accurate and high-speed sar ship detection”，Remote Sensing，vol.11，no.21，p.2483，2019(Zhang T等人在《遥感》期刊第11卷第21期发表的“用于高精度和高速SAR舰船检测的深度可分离卷积神经网络”)针对SAR图像中复杂的舰船背景提出改进版本的YOLOv3，并结合了特征金字塔结构提高了多尺度舰船目标的检测性能。虽然检测精度有提高，但模型的计算量和容量都比较大且网络参数较多，检测速度有所下降。如何在保持检测精度的前提下，实现模型的小型化、计算的轻量化、检测的高效化，是应用于机载星载实时SAR图像解译中需要解决的关键问题。

发明内容

针对上述存在问题或不足，为克服现有基于CNN的SAR舰船检测模型中计算量大且参数冗余的现象，本发明提出一种基于网络剪枝和知识蒸馏的SAR舰船目标检测方法。由此构建的轻量化检测器Tiny YOLO-Lite能在保证精度的同时实现快速检测且占用较少的计算资源，有利于检测模型在实际应用中的部署以及硬件移植。

本发明的技术方案由以下步骤实现，其舰船检测方法的整体流程如附图1所示。