[发明专利]一种基于混合表征学习增强的轻量化SAR目标检测方法

权利要求书

1.一种基于混合表征学习增强的轻量化SAR目标检测方法，其特征在于，包括以下步骤：

构建用于SAR图像舰船目标识别的HRLE-SARDet网络模型；所述HRLE-SARDet模型采用YOLOV5架构，所述YOLOV5架构中的Backbone部分采用轻量化骨干网络LSFEBackbone，所述YOLOV5架构中的Neck部分采用多尺度散射特征融合模块BiFPF，并在尺度特征的输出前引入混合表征学习增强模块HRLE-C3；

其中，LSFEBackbone为改进的EfficientNet-Lite0：将原EfficientNet-Lite0的MBConvBlock重新堆叠，并去除不必要的MBConvBlock，在stage2结束之后就全部采用大卷积核来提取特征，将sigmoid激活函数改为H-sigmoid激活函数，以及将SE模块中的激活函数改为PReLu；

其中，BiFPF为FPN叠加PAN再叠加FPN的结构；

其中，HRLE-C3为改进的原YOLOV5的C3模块：将原C3模块所有的Bottleneck中的第二个卷积层改为混合学习模块ACmix，并进行替换；

将待检测的舰船目标的SAR图像数据输入至训练后的HRLE-SARDet网络模型中，输出获得目标检测结果。

2.根据权利要求1所述的一种基于混合表征学习增强的轻量化SAR目标检测方法，其特征在于，还包括：

采用损失函数PBCE对HRLE-SARDet网络模型进行训练；所述损失函数PBCE的构建包括以下步骤：

引入BCEloss：

由泰勒级数展开可知，BCELoss以多项式级数的形式展开：

其中，多项式系数α_i为故BCELoss表示为：

使用梯度下降法来优化BCELoss，对p_t进行求导并展开，得到：

由其求导后的展开多项式可知，其具有对p_t的不同灵敏度；第一个多项式为常数项，值为1，为BCELoss提供了一个不变的梯度，并且与p_t的大小无关，并且随着训练地程度越深，即i＞＞1时，预测值p_t无线接近于1，因此后面的多项式接近于0，被强烈抑制；

调节第1个多项式项，PBCE表示为：

3.根据权利要求1所述的一种基于混合表征学习增强的轻量化SAR目标检测方法，其特征在于，所述LSFEBackbone包括依次连接的一个Stem、多个MBConvBlock，以及一个SPPF。

4.根据权利要求1所述的一种基于混合表征学习增强的轻量化SAR目标检测方法，其特征在于，所述LSFEBackbone中的stage2结束之后，均采用5×5的大卷积核来提取特征。

5.根据权利要求1所述的一种基于混合表征学习增强的轻量化SAR目标检测方法，其特征在于，所述BiFPF为FPN叠加PAN再叠加FPN的结构，增加不同分辨率输入并且学习不同分辨率输入特征的权重。