[发明专利]一种基于深度学习的海上舰船目标识别方法

权利要求书

1.一种基于深度学习的海上舰船目标识别方法，其特征在于，包括以下步骤：

步骤A、利用已知的海上舰船的卫星遥感图像数据集构建训练集，对图像中的舰船目标进行标定，使其目标框达到像素级精度，同时对输入图像进行尺度变换，使得图像其尺寸在相同范围内，便于提取特征；

步骤B、 构建深度学习的图像目标识别框架，采用卷积神经网络作为基本计算单元，在此基础上确定特征提取器，对步骤A所构建的训练数据集进行特征提取；

步骤C、将步骤B所获得的特征进行目标分类、位置回归和掩模预测；

步骤D、在步骤C的基础上生成候选框，并结合训练集的真实目标标记对候选框进行筛选，计算候选框损失，使其损失小于预定阈值；

步骤E、当步骤D中候选框损失达到小于预定阈值时，生成训练模型参数，得到训练的模型；

步骤F、对遥感图像待测试数据集进行尺度变换处理，以方便进行特征提取；

步骤G、将步骤F处理后的待测试数据集输入步骤B构建的图像目标识别框架，进行特征提取；

步骤H、将步骤G中提取的特征进行兴趣区处理，处理后的结果输入步骤E中训练生成的模型，进一步做全卷积运算和展平全连接；

步骤I、对步骤H的结果，分别进行模分类预测、回归预测和掩模预测，计算预测损失；

步骤J、对步骤I的结果进行非极大值抑制，并做进一步筛选；

步骤K、对步骤J的结果进行统一尺度变换，并作为最终结果输出。

2.根据权利要求1所述的一种基于深度学习的海上舰船目标识别方法，其特征在于：所述步骤A中，数据集采用高精度掩模标定，数据集采用卫星遥感图像，所涉及到的船只包括小型船、中型船、大型船；所述小型船包括小型游艇、渔船、帆船，所述中型船包括货船、大型邮轮、军舰，所述大型船包括航母；在尺度变换中，输入所能接受的图像范围，然后将每张图像固定比例缩放到这个范围，最后再找出最长的高和宽，把每张图片补齐到最长高宽，就完成了尺度变换；在尺度变换中，需要首先选取出图像宽度高度中的短边，然后将其和目标的尺寸作比，以此比例缩放图像，如果缩放之后整体图像在可接受范围内，则直接输出，否则用长边和相应边作比，进行缩放。

3.根据权利要求1所述的一种基于深度学习的海上舰船目标识别方法，其特征在于：所述步骤B中，采用MASK R-CNN作为基本深度学习框架，该框架支撑完成舰船识别所需的卷积神经网络，在此过程中利用交并集阈值构建正样本和负样本，做为样本识别预测的输入。

4.根据权利要求1所述的一种基于深度学习的海上舰船目标识别方法，其特征在于：所述步骤C中，特征提取器采用ResNet-101提取器，通过候选框提取网络实现图像中舰船目标特征层的提取，并对目标分数、目标边界框的回归参数进行预测。

5.根据权利要求1所述的一种基于深度学习的海上舰船目标识别方法，其特征在于：所述步骤C中，利用特征提取器预测的目标分数和目标边界框的回归参数，将图像大小除以特征矩阵大小获得特征矩阵每个像素对应原图的尺寸，并确定图像传入比例。