[发明专利]舰船目标细粒度识别方法及设备

权利要求书

1.一种舰船目标细粒度识别方法，包括以下步骤：

步骤S1、获取高分辨率遥感图像，并将图像进行预处理；

步骤S2、利用卷积神经网络构建图像的多尺度图像特征金字塔；

步骤S3、以特征图作为输入，利用关键点粗检测网络和分类子网络进行分类，同时，利用回归子网络对舰船目标旋转包围框参数进行回归；

步骤S4、利用分类子网络得到的目标关键点坐标和细粒度分类结果以及回归子网络得到的旋转包围框参数，剔除冗余结果后，获得舰船目标细粒度识别结果；

步骤S5、重复执行步骤S1、S2、S3、S4，直至得到训练好的舰船目标细粒度识别模型；

步骤S6、利用训练好的舰船目标细粒度识别模型实现舰船目标细粒度识别；

所述步骤S3中的分类子网络具体包括：

步骤S31、利用1×1卷积层将粗检测关键点热力图的通道数扩展至C，与输入特征图按元素相乘，所得结果再通过残差连接与输入特征图相加，得到一个大小为H×W×C的聚焦关键点区域的特征图；

步骤S32、将所得特征图输入非局部连接对关键点区域内部的特征自相关性进行建模，公式为：

其中，i、j为输入特征图X的位置索引，X_i、X_j为特征图上位于位置i和j的向量，g(X_j)＝W_gX_j用于计算特征图X在j位置的特征信息，W_g为1×1卷积，f为相似性度量函数，采用嵌入式高斯函数计算相似性，其公式为：

其中，θ(X_i)＝W_θX_i，W_θ和均为1×1卷积，利用残差连接将运算后的特征图Y与输入特征图X相加，得到整合了关键点区域内部特征自相关性的关键点注意力图Z，其公式为：

Z＝W_zY+X，

其中，W_z为1×1卷积；

步骤S33、将关键点注意力图输入一个3×3卷积层和Sigmoid激活层，得到一个用于精检测目标关键点大小为H×W×K的热力图，K为舰船目标类型数量，每一个通道对应检测一种目标类型；

所得热力图中大于阈值δ的点即为检测得到的目标关键点，目标种类即为该点所在热力图通道对应的目标类型，关键点的热力图值即为目标置信度。

2.根据权利要求1所述的方法，其特征在于，在所述步骤S1中，将图像进行预处理，具体包括：

步骤S11、对高分辨率遥感图像中的舰船目标进行旋转框和关键点标注；

步骤S12、将图像裁切成大小为1024×1024的切片，并对切片进行归一化处理。

3.根据权利要求1所述的方法，其特征在于，在步骤S2中，以Resnet101+FPN结构作为主干特征提取网络，构建图像特征金字塔，具体包括：

利用跳跃连接将Resnet101 Conv1-5下采样过程中的特征图层和FPN上采样过程中对应的特征图层进行组合；提取得到图像在多个不同尺度下结合浅层图像细节和深层语义信息的特征金字塔。

4.根据权利要求1所述的方法，其特征在于，在步骤S3中，关键点粗检测网络具体包括：

针对大小为H×W×C的特征图，利用4个3×3卷积层对特征图进行卷积处理，每两个卷积层之间包含一个ReLU激活层，再经过一个3×3卷积层和Sigmoid激活层，得到一个大小为H×W×1的粗检测关键点热力图；

在标注的样本目标关键点处构建高斯分布作为粗检测热力图真值，利用FocalLoss单独训练粗检测网络，将训练好的权重迁移至分类子网络。