[发明专利]一种SAR图像中人造小目标的检测方法及系统

权利要求书

1.一种SAR图像中人造小目标的检测方法，其特征在于，包括采用多尺度地理空间上下文注意力网络MGCAN来对输入图像获取预测结果，且所述多尺度地理空间上下文注意力网络MGCAN包括：

特征提取骨干网络，用于对输入图像提取多层次的特征图P1～P3；

高效金字塔卷积注意力融合模块，用于对特征图P1～P3进行高效金字塔卷积注意力融合增强多尺度上下文信息以提高不同尺度目标的检测精度，获得不同尺度的特征图C1～C3；

并行残差空间注意力模块，用于分别对不同尺度的特征图C1～C3筛选有效的目标空间信息以提高对有效特征的辨别能力；

检测层，用于接收并行残差空间注意力模块输出的三个不同大小的特征，进行多尺度的预测输出带有分数的预测边界框；

所述高效金字塔卷积注意力融合模块包括：

多尺度上下文信息融合模块，用于将特征图P3通过上采样后与特征图P2连接，再通过金字塔卷积模块CSPP得到特征图A1，特征图A1通过1×1的卷积模块并上采样后与特征图P1连接，再通过金字塔卷积模块CSPP得到特征图C1；

二次语义增强模块，用于将特征图P3经上采样并通过金字塔卷积模块CSPP后与特征图A1连接，再通过1×1的卷积模块得到特征图C2；

通道注意力引导融合模块，用于将特征图C1通过卷积模块后与特征图C2连接，再通过金字塔卷积模块CSPP得到特征图B1，将特征图B1依次通过高效通道注意力模块ECA、卷积模块后得到特征图C3；

所述金字塔卷积模块CSPP对输入特征图的处理步骤包括：将输入特征图分别生成两路特征图A1和A2，一路特征图A1依次通过1×1的卷积模块、无跳跃的金字塔卷积残差层、1×1的二维卷积后得到输出特征A1_out，另一路特征图A2通过1×1的卷积模块后首先与输出特征A1_out通过连接层相连，然后再依次通过批处理一致化层BN、leakyRelu激活、1×1的卷积后得到最终输出的特征图；所述无跳跃的金字塔卷积残差层对输入特征图的处理步骤包括：将输入特征图通过1×1的卷积模块增加网络的非线性，再通过金字塔卷积并行接收特征映射，所述金字塔卷积由多个卷积层并行组成且在每一个层级内采用组卷积的方式在多个不同大小的感受野上构建高级特征映射，金字塔卷积所有卷积层的输出通过通道拼接融合得到特征X作为无跳跃的金字塔卷积残差层最终的输出特征图；

所述高效通道注意力模块ECA对输入特征图的处理步骤包括：针对输入特征图首先通过通道信息的全局平均池化F_GAP从空间维度上将输入特征图由尺寸H×W×C压缩为1×1×C，再通过3×3大小的一维卷积捕获跨通道交互信息δ，再通过Sigmoid激活函数得到归一化后的通道权重向量Aeca，再将通道权重向量Aeca与输入特征图相乘以对输入的特征图进行逐通道调整突出有效特征最终得到增强后的输出特征X_out；

所述并行残差空间注意力模块包括：

平均池化模块，用于对输入的特征图进行平均池化操作；

最大池化模块，用于对输入的特征图进行最大池化操作；

通道连接模块，用于基于通道的连接方式将平均池化操作、最大池化操作的输出特征进行融合得到特征图X_P；

卷积模块，用于对特征图X_P进行7×7卷积操作；

权重提取模块，用于利用Sigmoid函数对7×7卷积操作输出的特征进行处理得到学习到的空间注意力特征权重A_sam；

空间注意力增强模块，用于将空间注意力特征权重A_sam与输入特征图相乘作为空间注意力增强后的输出特征；

跳跃连接模块，用于通过跳跃连接方式将原始的输入特征图与增强后的输出特征进行逐像素相加融合粗粒度特征和细腻度特征；

激活模块，用于针对融合粗粒度特征和细腻度特征后的特征通过ReLU激活函数增强网络的非线性能力得，到最终的特征图X_out。