[发明专利]基于改进Faster R-CNN的SAR图像舰船检测方法

权利要求书

1.基于改进Faster R-CNN的SAR图像舰船检测方法，其特征在于，包括以下步骤：

步骤1，获取SAR图像数据集，对所述SAR图像数据集进行纠正，去除错误标签，得到修正的SAR图像数据集；其中，所述修正的SAR图像数据集包含训练集和测试集；

步骤2，预先训练ResNet-101网络，将训练得到的网络参数作为网络提取特征层的参数初始值，得到预先训练好的ResNet-101网络；

步骤3，根据预先训练好的ResNet-101网络搭建改进Faster R-CNN模型；将所述训练集的图像输入所述改进Faster R-CNN模型中进行训练，得到训练好的模型；

步骤4，利用soft-NMS方法得到精炼的检测结果，输出舰船定位区域和分类结果。

2.根据权利要求1所述的基于改进Faster R-CNN的SAR图像舰船检测方法，其特征在于，步骤1中，所述SAR图像数据集为SSDD+数据集，采用SSDD+数据集进行SAR图像舰船检测。

3.根据权利要求1所述的基于改进Faster R-CNN的SAR图像舰船检测方法，其特征在于，步骤2具体为：

卷积神经网络在大型数据集上预先训练ResNet-101网络，将训练得到的ResNet-101网络参数作为网络提取特征层的参数初始值，然后使用训练集数据对训练得到的ResNet-101网络进行微调。

4.根据权利要求1所述的基于改进Faster R-CNN的SAR图像舰船检测方法，其特征在于，步骤3具体包含以下子步骤：

子步骤3.1，让所述训练集中的图像进入预先训练好的ResNet-101网络中提取特征图，然后分为两个分支；第一个分支为RPN网络，得到前景和背景的分数、以及候选框位置的回归坐标，其中前景和背景的分数用以判断候选框内是否含有目标；第二个分支是一个FCN网络，可以对图像中的目标进行准确的分割；

将第一个分支和第二个分支得到的结果结合起来，得到目标场景中的候选区域，利用空间金字塔池化的方法，将目标场景中的候选区域映射到特征图上相应的位置；然后将候选框的坐标导入到ROIAlign层训练分类网络，最后经过几个完全连接层后，返回分类和边界框，得到分类结果和定位框的四个坐标；

子步骤3.2，计算训练过程中的损失函数，更新参数训练改进Faster R-CNN模型；其中，训练过程中的损失函数为：

Loss＝L_cls+L_reg+L_mask

其中，L_cls、L_reg和L_mask分别表示分类损失、候选框回归损失和掩膜预测损失。

5.根据权利要求4所述的基于改进Faster R-CNN的SAR图像舰船检测方法，其特征在于，子步骤3.1中，所述预先训练好的ResNet-101网络中，采用Elus解决梯度消失，加快收敛速度。

6.根据权利要求4所述的基于改进Faster R-CNN的SAR图像舰船检测方法，其特征在于，子步骤3.1中，所述RPN网络中，采用RBox进行回归定位。

7.根据权利要求1所述的基于改进Faster R-CNN的SAR图像舰船检测方法，其特征在于，步骤4中，所述soft-NMS的计算公式如下：

其中，s_i是每个候选框被分类器计算得到的分数，M为得分最高的候选框，b_i是待计算交并比的候选框，iou为交并比，N_t代表阈值。