[发明专利]一种基于YOLOV4-Tiny的SAR图像舰船小目标检测方法

说明书

本发明涉及一种基于YOLOV4‑Tiny的SAR图像舰船小目标检测方法，属于计算机视觉技术领域。首先，增加8倍下采样特征图来增强对小目标特征的提取能力；其次，借鉴Inception和SPP网络设计出新的特征提取模块Module来获取更高级的语义信息且提高浅层网络的感受野；然后，引入SE通道注意力机制来增强重要特征，提高网络的鲁棒性；最后，通过对比实验选出SE通道注意力机制最合适的参数。相比于原始YOLOV4‑Tiny目标检测方法，本发明的方法在公开数据集SSDD中检测SAR图像舰船小目标时能够检测出更多的舰船小目标，且置信度更高，满足实时性检测需求及。

技术领域

本发明涉及一种基于YOLOV4-Tiny的SAR图像舰船小目标检测方法，属于计算机视觉技术领域。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)是一种主动式的对地观测系统，其工作在微波波段，而大气分子对电磁波的吸收基本上处于可见光、红外波段，所以SAR不易受大气的影响，具有全天时、全天候的特性。而我国是一个海洋大国，对舰船的精准检测不论是在军用领域还是民用领域都有着重要的战略意义。

SAR图像公开数据集SSDD中主要分为近海和远海两种场景，近海的图像中，海岸边的建筑对舰船的检测造成较大的干扰，网络容易产生误判，而在远海的图像中，往往含有较大的噪声，且舰船目标的尺度非常小。目前主流的检测算法在检测SAR舰船图像时，都存在着检测效果不好的问题。主流检测算法为了提高检测精度，往往采用大量的卷积操作和过深的通道数，这些算法在检测SAR图像时，随着卷积的进行，图像的大小不断减小，对于一个像素大小小于32×32的目标来说，在特征图缩小32倍时，该目标的信息则不存在于网络中；并且过深的通道数往往增加过拟合的可能性，这是因为舰船目标的特征较为单一，过多的通道数会大大增加网络误判的可能性；此外，这些算法在训练时对硬件资源的要求也较高，并且需要较多的训练时间，也很难满足实时性的检测需求，模型的参数量也非常庞大；另一方面，一些精简的检测算法往往是由完整的目标检测算法单纯的缩减通道数和采用更少的卷积得到，此类检测算法不需要过高的硬件资源来训练，而且检测速度相比于完整算法有着大幅提升，虽然SAR舰船图像的特征较简单和单一，在检测SAR舰船图像时不需要过于复杂的算法模型，不过，只单纯的进行较少量的卷积并不能够有效的提取小目标的特征信息，而且在处理数据集中的远海场景中时，由于图像中含有大量小尺度的舰船且包含了大量噪声，很容易出现错检和漏检，并且在检测中大型目标时，置信度也较低，这是因为精简检测算法的感受野和语义信息会受到一定限制，网络中的特征信息受到噪声干扰的影响比较严重。

发明内容

本发明要解决的技术问题是提供一种基于YOLOV4-Tiny的SAR图像舰船小目标检测方法，用以解决在检测SAR图像舰船小目标时出现的漏检、错检、置信度低、检测速度慢和模型参数量庞大的问题。

本发明的技术方案是：一种基于YOLOV4-Tiny的SAR图像舰船小目标检测方法，首先，增加8倍下采样特征图来增强对小目标特征的提取能力；其次，借鉴Inception和SPP网络设计出新的特征提取模块Module来获取更高级的语义信息且提高浅层网络的感受野；然后，引入SE通道注意力机制来增强重要特征，提高网络的鲁棒性；最后，通过对比实验选出SE通道注意力机制最合适的参数。

具体步骤为：

Step1：增加8倍下采样特征图来增强对小目标特征的提取能力；

输入一张大小为416×416的SAR舰船图像，在骨干网络对图像进行第三次下采样后，将52×52大小的特征图进行输出，相关计算公式为：

式中，n表示输入特征图的大小，f表示进行卷积操作卷积核的大小，p表示进行卷积操作时对图像周围填充的大小，s表示卷积核每次移动的距离，Floor表示向下取整，O表示输出特征图的大小。