[发明专利]舰船目标识别方法及装置

说明书

本发明公开了一种舰船目标识别方法及装置，属于目标识别技术领域，主要解决现有的舰船目标识别方法受限于识别训练集的目标类型和目标数量，从而无法支撑网络模型训练的需要的问题，本发明通过以更容易获得的舰船长宽比和角度为自监督信息，代替难以获得的舰船身份信息构建训练集，并结合卷积神经网络和Transformer网络两种网络优点，使得本发明的舰船目标识别网络模型在训练集上自监督学习提取舰船的显著性特征。本发明识别效果好，易实行，训练数据集易获取，不受舰船目标数据集的限制。

技术领域

本发明涉及目标识别技术领域，特别是涉及一种舰船目标识别方法及装置。

背景技术

舰船目标识别一直是数据处理领域的热点问题，其目的是通过对天基或空基图像信息的特征提取，获取舰船目标的显著性特征，实现对舰船身份信息的识别。舰船目标识别方法一般是建立在大量的、有标签的舰船目标数据集的基础上，通过对所构建的卷积神经网络模型进行有监督的训练、学习，使该卷积神经网络模型获得舰船目标特征的自动提取能力。

现有技术中对舰船目标的识别方法主要可以分为基于手工特征的方法和基于学习特征的方法两大类。基于手工特征的方法是通过人工设计的方式获取舰船目标的显著特征，例如舰船的形状、纹理等低层特征，以及SIFT、SURF等局部特征。随着卷积神经网络的提出，目标识别的准确率大大提升，基于学习特征的方法开始逐渐取代基于手工特征的方法。但是基于学习特征的现有方法需要依赖于大量、有标签训练数据集的构建，而舰船目标种类繁多、同一目标不同成像条件下差异较大、不同目标在某些成像条件下差异又不明显，因此，舰船目标身份标签的标注需要有专业的、经验丰富的判读员识别出舰船的具体型号，这项工作对判读员的专业水平要求较高，且容易出现误判、错判；这使得有效的舰船目标识别训练数据集的构建十分的困难。因此现有的舰船目标识别训练数据集大都存在舰船目标数据量小、舰船类型少的特点，难以支撑深度卷积神经网络的训练、学习，难以形成完备的舰船目标识别方法。

发明内容

有鉴于此，本发明提供的一种舰船目标识别方法及装置，针对现有的舰船目标识别方法受限于识别训练集的目标类型和目标数量，以及现有的舰船目标特征表示能力不足的问题，提出一种不依赖于目标身份标签监督的特征表示方法。通过让深度神经网络在大量舰船数据集上，以更容易获得的舰船长宽比和角度为自监督信息，代替难以获得的舰船身份信息，并结合卷积神经网络和Transformer网络两种网络优点，设计一种新的舰船目标特征提取网络模型，让网络模型在数据集上自监督学习提取舰船的显著性特征。

根据本发明一个方面，提供了一种舰船目标识别方法，该方法包括步骤：步骤1：构建预训练舰船目标识别网络模型，包括卷积神经网络层和Transformer自监督识别网络层；步骤2：采集大量样本图像，对舰船目标在所述样本图像中所占的长宽比r和倾斜角度θ进行标注，形成训练样本集D；步骤3：将所述样本图像通过所述卷积神经网络层，提取舰船目标高层特征；步骤4：将所述舰船目标高层特征、用于长宽比预测的随机变量A和用于倾斜角度预测的随机变量B输入所述Transformer自监督识别网络层，输出的预测结果包括预测长宽比和预测倾斜角度；步骤5：通过以所述长宽比r和倾斜角度θ构造的损失函数作为约束，对所述预训练舰船目标识别网络模型进行训练，得到训练好的舰船目标识别网络模型；步骤6：采用训练好的舰船目标识别网络模型读取待识别的舰船目标图像，输出舰船识别结果。

作为本发明的进一步改进，所述Transformer自监督识别网络层包括Transformer网络和全连接层，所述Transformer网络只包括编码器结构，所述编码器中包括多个重复模块，每个模块中包含一个多头注意力模块和一个全连接模块。