[发明专利]一种多维度增强学习合成孔径雷达图像目标检测方法

说明书

本发明公开了一种多维度增强学习合成孔径雷达图像目标检测方法，涉及目标检测技术领域，设计一种具有语义关系的复制粘贴进行数据增强的方法，对SAR目标样本进行语义扩充，提升样本量，降低模型过拟合，引入无锚框检测框架作为基准网络，降低模型的参数量和计算复杂度，提高推理速度；本发明提供的一种多维度增强学习合成孔径雷达图像目标检测方法，以无锚框目标检测框架CenterNet2作为基准，设计了一种特征增强轻量级骨干LWBackbone，降低模型的参数量同时有效提取SAR目标显著特征，并提出混合域注意力机制CNAM，有效抑制陆地复杂背景干扰，突出目标区域，利用感受野增强检测头模块RFEHead，设计不同空洞率卷积增强感受野，提升检测头的多尺度感知性能。

技术领域

本发明涉及目标检测技术领域，特别涉及一种多维度增强学习合成孔径雷达图像目标检测方法。

背景技术

为了更好的观测地球村，许多学者提出了使用不同传感器观测方法，如光学卫星、多光谱卫星、视频监控系统、合成孔径雷达(SAR)卫星等。相对于前三种类型，SAR具有全天时、全天候监测的优势，还具有穿透能力强、抗干扰能力强等优势。由于地球上多变的海洋气候，SAR更适合监测船舶,随着SAR成像技术的发展，它已经在多个领域得到了广泛应用，例如在军事应用、海洋交通管制、渔业管理、贸易活动等领域对繁忙的河流和重要的港口监测。

合成孔径雷达(synthetic aperture radar,SAR)图像目标检测在军事\民用领域具有广泛的应用价值。然而，SAR图像目标检测中还存在一些问题，例如强烈的散斑噪声降低了浅层的低层次特征学习、船舶目标很难与周围背景区分、舰船目标相对稀疏以及目标较小等，现有的SAR目标检测算法还并不完善，速度和精度难以达到平衡。

近年来，随着深度学习的不断发展，学者们基于CNN提出了很多目标检测算法，这些方法主要分为两类:(1)两阶段法(Two Stage),主要思路是先通过第一阶段的区域建议网络产生一系列稀疏的候选框，第二阶段对这些候选框进行分类和回归。这类方法的优点是准确度高，但往往速度较慢，经典的二阶段目标检测网络有Faster R-CNN、R-FCN等。(2)单阶段法(One Stage)，主要利用CNN提取特征后对特征上的每个特征像素点直接预测目标和目标边界框，输出物体的分类概率和坐标，整个过程只需一步，因此速度较快，如SSD、RetinaNet、YOLO系列等。

发明内容

本发明的目的在于提供一种多维度增强学习合成孔径雷达图像目标检测方法，以无锚框目标检测框架CenterNet2作为基准，设计了一种特征增强轻量级骨干LWBackbone，降低模型的参数量同时有效提取SAR目标显著特征，并提出混合域注意力机制CNAM，有效抑制陆地复杂背景干扰，突出目标区域，利用感受野增强检测头模块RFEHead，设计不同空洞率卷积提升感受野，提升检测头的多尺度感知性能。

本发明提供了一种多维度增强学习合成孔径雷达图像目标检测方法，包括以下步骤：

基于无锚框目标检测算法构建骨干网络LWBackbone；

骨干网络LWBackbone采用融合混合域注意力机制对合成孔径雷达图像中的目标进行特征提取，所述混合域注意力机制为将通道注意力的提取结果输入空间注意力进行特征提取；

将提取的特征依次输入3层不同权重的特征融合BiFPN层进行不同尺度的特征融合；

设置具有空洞卷积结构的ASPP模块在检测头RFEHead的输入端，设置不同空洞率卷积改变检测头RFEHead的感受野；

特征融合结果经过空洞卷积结构后输入至检测头RFEHead，所述检测头RFEHead对目标物体的多尺度信息进行不同感受野的空间层级化信息提取；

将空间层级化信息提取结果输入目标检测网络CenterNet，进行空间层级化信息提取结果的分类和检测，输出目标检测结果。