[发明专利]舰船目标细粒度识别方法及设备

说明书

本发明涉及一种舰船目标细粒度识别方法及设备，结合细粒度分类结果和旋转框参数，实现对舰船目标的细粒度识别，避免了成像条件、拍摄角度和舰船目标中心点或角点位置随机导致模型难以聚焦关键点处的细粒度特征的问题，提高了模型定位关键点的准确度，通过构建关键点注意力，引导模型聚焦关键点区域的细粒度特征及其内在自相关性，提高了舰船目标的细粒度识别准确率，为舰船目标细粒度识别提供了一种切实可行的技术途径，在遥感目标识别领域有较大的实际应用价值。

技术领域

本发明涉及一种舰船目标细粒度识别方法及设备。

背景技术

近年来，随着卫星成像技术的不断提高和商业航天的快速发展，高分辨率遥感数据日益增多，为生态环境监测、土地资源调查、灾害预报评估等领域提供了重要的高质量地理空间信息源。其中，高分辨率遥感图像中舰船目标的细粒度识别对于港口和海洋的精细化监控等应用领域具有重要价值。

不同类型的舰船目标通常在外形、颜色和纹理等方面区分度较低，目前主流的目标检测识别算法难以实现精准的舰船目标细粒度识别。其中，基于关键点检测的算法可以通过定位目标的关键点对目标进行识别，但主流的模型如CenterNet、CornerNet等，大都通过定位目标中心点或角点实现对目标的识别，受成像条件、拍摄角度等影响，舰船目标中心点或角点往往位置随机，区分性较低，导致模型难以聚焦关键点处的细粒度特征。

发明内容

鉴于上述技术问题，本发明的目的为提供一种舰船目标细粒度识别方法及设备，通过构建关键点粗检测网络提取大致的关键点位置信息，并在此基础上利用基于关键点注意力的分类子网络对舰船目标进行细粒度分类，从而实现高分辨率遥感图像中舰船目标的精细识别。

实现本发明目的的技术解决方案为：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。

根据本发明的一个方面，在所述步骤1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。

根据本发明的一个方面，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。

根据本发明的一个方面，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；