[发明专利]基于深度学习FCN网络的遥感舰船目标轮廓分割与检测方法

摘要

本发明公开了一种基于深度学习FCN全卷积网络的遥感舰船轮廓分割与检测方法，首先构建遥感舰船目标数据库，对其中遥感舰船目标进行逐像素标注，随后本发明设计一种更深的6层全卷积网络6‑FCN结构通过卷积与反卷积进行参数训练，最终对宽幅遥感检测图像进行重叠切分，检测后合并得到最终遥感影像舰船检测结果。可以在高效迅速地实现遥感舰船目标检测的同时实完成舰船轮廓的精准分割，精简了传统的检测复杂流程，并且实现很好的分割与检测效果提升。

主权项

基于深度学习FCN网络的遥感舰船目标轮廓分割与检测方法，其特征在于，包括以下步骤：(1)采集不同型号、不同分辨率可见光的遥感舰船目标图像，对每一张遥感舰船目标图像进行逐像素标注，把遥感舰船目标图像和对应标注的遥感舰船目标图像打包构成训练样本；(2)设计6层深度学习FCN网络；(3)初始设定步骤(2)设计的深度学习FCN网络中的节点参数，对训练样本中的遥感舰船目标图像，根据步骤(2)的网络结构模型，得到检测结果，根据检测结果和对应标注的遥感舰船目标图像逐个像素计算多分类回归模型softmax分类的损失，得到每一个遥感舰船目标图像的损失值；(4)将所有遥感舰船目标图像的损失值进行排序，选择损失值最大的设定个数的遥感舰船目标图像作为难例样本，并将这些难例样本的损失值反馈到深度学习FCN网络中，使用随机梯度下降法更新深度学习FCN网络的节点参数；(5)将待检测图像采用重叠切分方法进行切分，将切分后的所有分块分别送入深度学习FCN网络中，得到每个分块的初始检测结果，并消除每个分块的细小的像素级误检测，将消除像素级误检测后的所有分块的检测结果汇总到原图中，得到最终检测与分割的合并结果。