一种面向合成孔径雷达图像的目标检测方法及装置与流程

1.本技术属于舰船目标检测技术领域，特别的涉及一种面向合成孔径雷达图像的目标检测方法及装置。


背景技术：

2.神经网络在机器学习和认知科学领域是一种模仿生物神经网络的结构和功能的数学或计算模型，用于对复杂函数进行估计或近似。深度学习以深度神经网络为基础，旨在用多层神经网络增强对函数的拟合能力。目前已经有若干种深度神经网络，如卷积神经网络，循环神经网络等。目前深度神经网络在目标检测领域已经取得深刻的效果。深度学习算法分“训练”和“推断”两个过程。其中，“训练”过程以大量数据为基础，通过对神经网络进行前向计算（包括矩阵相乘、卷积、循环层）和后向更新（主要是梯度运算），不断的调整网络中的参数值，从而使模型在特定任务上的表现更好；而“推断”过程中神经网络的参数不变，主要只包括神经网络的前向计算。因深度卷积神经网络可从原始数据中学习到关键特征，其在目标检测等领域取得了巨大成功，也逐渐被应用于合成孔径雷达图像的目标检测上。
3.目前许多将深度神经网络应用到合成孔径雷达图像上的研究工作只是简单地将其他工作中的深度神经网络模型应用到舰船目标的合成孔径雷达图像上，没有根据舰船目标的合成孔径雷达图像目标检测任务对深度神经网络模型进行针对性设计和调整，这样使得迁移过来的深度神经网络模型不能很好适应新的舰船目标检测任务，进而影响到整体计算效率和性能。


技术实现要素：

4.本技术为解决上述提到的目前许多将深度神经网络应用到合成孔径雷达图像上的研究工作只是简单地将其他工作中的深度神经网络模型应用到舰船目标的合成孔径雷达图像上，没有根据舰船目标的合成孔径雷达图像目标检测任务对深度神经网络模型进行针对性设计和调整，这样使得迁移过来的深度神经网络模型不能很好适应新的舰船目标检测任务，进而影响到整体计算效率和性能等技术问题，提出一种面向合成孔径雷达图像的目标检测方法及装置，包括：确定至少两种卷积操作，并基于至少两种卷积操作构建第一神经网络；将样本合成孔径雷达图像输入至第一神经网络，并根据第一神经网络的预测结果以及样本真实结果，计算出第一损失值；基于第一损失值对第一神经网络进行训练，并根据训练后的第一神经网络中的架构参数以及预设派生规则，派生出第二神经网络；将待处理合成孔径雷达图像输入至第二神经网络，并根据第二神经网络的预测结果，在待处理合成孔径雷达图像上显示目标检测框。
5.在第一方面的一种可选方案中，第一神经网络包括两个茎秆层以及八个单元层，其中：
第n个单元层包括第一预处理节点、第二预处理节点以及依次设置的第一中间节点、第二中间节点、第三中间节点、第四中间节点，第一预处理节点的输入端与第n-2个单元层的输出端连接，第一预处理节点的输出端分别与第一中间节点的输入端、第二中间节点的输入端、第三中间节点的输入端以及第四中间节点的输入端连接；第二预处理节点的输入端与第n-1个单元层的输出端连接，第二预处理节点的输出端分别与第一中间节点的输入端、第二中间节点的输入端、第三中间节点的输入端以及第四中间节点的输入端连接；第一中间节点的输出端分别与第二中间节点的输入端、第三中间节点的输入端以及第四中间节点的输入端连接；第二中间节点的输出端分别与第三中间节点的输入端以及第四中间节点的输入端连接；第三中间节点的输出端与第四中间节点的输入端连接；第n个单元层的输出端用于对第一中间节点的输出结果、第二中间节点的输出结果、第三中间节点的输出结果以及第四中间节点的输出结果进行拼接处理，并将处理后的输出结果输出至第n+1个单元层的第二预处理节点，n为大于或等于3的正整数。
6.在第一方面的又一种可选方案中，两个茎秆层包括第一茎秆层以及第二茎秆层，其中：第一个单元层中第一预处理节点的输入端与第一茎秆层的输出端连接，第一个单元层中第二预处理节点的输入端与第二茎秆层的输出端连接；第二个单元层中第一预处理节点的输入端与第二茎秆层的输出端连接，第二个单元层中第二预处理节点的输入端与第一个单元层的输出端连接。
7.在第一方面的又一种可选方案中，基于第一损失值对第一神经网络进行训练，包括：固定第一神经网络的权重参数，并基于第一损失值对第一神经网络的架构参数进行更新；在第一神经网络的架构参数进行更新之后，将样本合成孔径雷达图像重新输入至更新后的第一神经网络，并根据更新后的第一神经网络的预测结果以及样本真实结果，计算出第二损失值；固定更新后的第一神经网络中的架构参数，基于第二损失值对更新后的第一神经网络再次进行更新。
8.在第一方面的又一种可选方案中，在将待处理合成孔径雷达图像输入至第二神经网络之前，还包括：将样本合成孔径雷达图像输入至第二神经网络，并根据第二神经网络的预测结果以及样本真实结果，计算出第三损失值；基于第三损失值对第二神经网络进行训练；将待处理合成孔径雷达图像输入至第二神经网络，包括：将待处理合成孔径雷达图像输入至训练后的第二神经网络。
9.在第一方面的又一种可选方案中，第二神经网络的预测结果包括待处理合成孔径雷达图像中所有目标检测框的中心点横纵坐标、偏移量以及置信度；
根据第二神经网络的预测结果，在待处理合成孔径雷达图像上显示目标检测框，包括：对置信度低于预设置信度阈值的目标检测框进行过滤处理；对经过过滤处理的所有目标检测框进行非极大值抑制处理；将经过非极大值抑制处理的所有目标检测框、与每个目标检测框对应的中心点横纵坐标、偏移量以及置信度显示在待处理合成孔径雷达图像上。
10.在第一方面的又一种可选方案中，第二神经网络包括两个茎秆层以及十四个单元层。
11.第二方面，本技术实施例提供了一种面向合成孔径雷达图像的目标检测装置，包括：第一网络构建模块，用于确定至少两种卷积操作，并基于至少两种卷积操作构建第一神经网络；损失计算模块，用于将样本合成孔径雷达图像输入至第一神经网络，并根据第一神经网络的预测结果以及样本真实结果，计算出第一损失值；第二网络构建模块，用于基于第一损失值对第一神经网络进行训练，并根据训练后的第一神经网络中的架构参数以及预设派生规则，派生出第二神经网络；结果显示模块，用于将待处理合成孔径雷达图像输入至第二神经网络，并根据第二神经网络的预测结果，在待处理合成孔径雷达图像上显示目标检测框。
12.在第二方面的一种可选方案中，第一神经网络包括两个茎秆层以及八个单元层，其中：第n个单元层包括第一预处理节点、第二预处理节点以及依次设置的第一中间节点、第二中间节点、第三中间节点、第四中间节点，第一预处理节点的输入端与第n-2个单元层的输出端连接，第一预处理节点的输出端分别与第一中间节点的输入端、第二中间节点的输入端、第三中间节点的输入端以及第四中间节点的输入端连接；第二预处理节点的输入端与第n-1个单元层的输出端连接，第二预处理节点的输出端分别与第一中间节点的输入端、第二中间节点的输入端、第三中间节点的输入端以及第四中间节点的输入端连接；第一中间节点的输出端分别与第二中间节点的输入端、第三中间节点的输入端以及第四中间节点的输入端连接；第二中间节点的输出端分别与第三中间节点的输入端以及第四中间节点的输入端连接；第三中间节点的输出端与第四中间节点的输入端连接；第n个单元层的输出端用于对第一中间节点的输出结果、第二中间节点的输出结果、第三中间节点的输出结果以及第四中间节点的输出结果进行拼接处理，并将处理后的输出结果输出至第n+1个单元层的第二预处理节点，n为大于或等于3的正整数。
13.在第二方面的又一种可选方案中，两个茎秆层包括第一茎秆层以及第二茎秆层，其中：第一个单元层中第一预处理节点的输入端与第一茎秆层的输出端连接，第一个单元层中第二预处理节点的输入端与第二茎秆层的输出端连接；
第二个单元层中第一预处理节点的输入端与第二茎秆层的输出端连接，第二个单元层中第二预处理节点的输入端与第一个单元层的输出端连接。
14.在第二方面的又一种可选方案中，第二网络构建模块包括：固定第一神经网络的权重参数，并基于第一损失值对第一神经网络的架构参数进行更新；在第一神经网络的架构参数进行更新之后，将样本合成孔径雷达图像重新输入至更新后的第一神经网络，并根据更新后的第一神经网络的预测结果以及样本真实结果，计算出第二损失值；固定更新后的第一神经网络中的架构参数，基于第二损失值对更新后的第一神经网络再次进行更新。
15.在第二方面的又一种可选方案中，装置还包括：在将待处理合成孔径雷达图像输入至第二神经网络之前，将样本合成孔径雷达图像输入至第二神经网络，并根据第二神经网络的预测结果以及样本真实结果，计算出第三损失值；基于第三损失值对第二神经网络进行训练；将待处理合成孔径雷达图像输入至第二神经网络，包括：将待处理合成孔径雷达图像输入至训练后的第二神经网络。
16.在第二方面的又一种可选方案中，第二神经网络的预测结果包括待处理合成孔径雷达图像中所有目标检测框的中心点横纵坐标、偏移量以及置信度；结果显示模块包括：对置信度低于预设置信度阈值的目标检测框进行过滤处理；对经过过滤处理的所有目标检测框进行非极大值抑制处理；将经过非极大值抑制处理的所有目标检测框、与每个目标检测框对应的中心点横纵坐标、偏移量以及置信度显示在待处理合成孔径雷达图像上。
17.在第二方面的又一种可选方案中，第二神经网络包括两个茎秆层以及十四个单元层。
18.第三方面，本技术实施例还提供了一种面向合成孔径雷达图像的目标检测装置，包括处理器以及存储器；处理器与存储器连接；存储器，用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于实现本技术实施例第一方面或第一方面的任意一种实现方式提供的面向合成孔径雷达图像的目标检测方法。
19.第四方面，本技术实施例提供了一种计算机存储介质，计算机存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时，可实现本技术实施例第一方面或第一方面的任意一种实现方式提供的面向合成孔径雷达图像的目标检测方法。
20.在本技术实施例中，可在对舰船目标进行检测时，确定至少两种卷积操作，并基于至少两种卷积操作构建第一神经网络；将样本合成孔径雷达图像输入至第一神经网络，并根据第一神经网络的预测结果以及样本真实结果，计算出第一损失值；基于第一损失值对
第一神经网络进行训练，并根据训练后的第一神经网络中的架构参数以及预设派生规则，派生出第二神经网络；将待处理合成孔径雷达图像输入至第二神经网络，并根据第二神经网络的预测结果，在待处理合成孔径雷达图像上显示目标检测框。相比于人工设计目标检测的神经网络模型，通过神经架构搜索自动化完成更符合需求的网络设计，不仅有效避免过多的专家人工知识所带来的领域知识限制，还可极大提高目标的检测效率以及精度。
附图说明
21.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
22.图1为本技术实施例提供的一种面向合成孔径雷达图像的目标检测方法的整体流程示意图；图2为本技术实施例提供的一种单元层的结构示意图；图3为本技术实施例提供的一种神经网络的结构示意图；图4为本技术实施例提供的一种合成孔径雷达图像的目标检测示意图；图5为本技术实施例提供的一种面向合成孔径雷达图像的目标检测装置的结构示意图；图6为本技术实施例提供的又一种面向合成孔径雷达图像的目标检测装置的结构示意图。
具体实施方式
23.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。
24.在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本技术的多个实施例，不同实施例之间可以替换或者合并组合，因此本技术也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征a、b、c，另一个实施例包含特征b、d，那么本技术也应视为包括含有a、b、c、d的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。
25.下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本技术内容的范围的情况下，对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行，并且可以添加、省略或组合各种步骤。此外，可以将关于一些示例描述的特征组合到其他示例中。
26.请参阅图1，图1示出了本技术实施例提供的一种面向合成孔径雷达图像的目标检测方法的整体流程示意图。
27.如图1所示，该面向合成孔径雷达图像的目标检测方法至少可以包括以下步骤：步骤102、确定至少两种卷积操作，并基于至少两种卷积操作构建第一神经网络。
28.在本技术实施例中，该面向合成孔径雷达图像的目标检测方法可用于对获取到的
合成孔径雷达图像进行处理，并在合成孔径雷达图像上显示出舰船目标的检测结果，其中，该舰船目标的检测结果可以但不局限于包括用于选中舰船的目标检测框、该目标检测框的中心点横纵坐标、偏移量以及置信度。
29.具体地，在对合成孔径雷达图像中的舰船目标进行检测时，可先确定出用于构建神经网络的至少两种卷积操作，其中，至少两种卷积操作可对应为深度神经网络领域中常用且先进的卷积操作，其可以但不局限于包括卷积核大小为3的深度可分离卷积（sep_conv_3）操作、卷积核大小为5的深度可分离卷积（sep_conv_5）操作、卷积核大小为3的空洞卷积（dil_conv_3）操作、卷积核大小为5的空洞卷积（dil_conv_5）操作、平均池化（avg_pool）、最大池化（max_pool）、skip_connection以及none操作中任意至少两种，且在本技术实施例中作为优选的，可将上述提到的八种卷积操作均作为用于构建神经网络的至少两种卷积操作。
30.进一步的，在确定出用于构建神经网络的至少两种卷积操作之后，可基于神经架构搜索（也可称为nas）的特性，根据该至少两种卷积操作构建出第一神经网络。其中，nas可理解为是将架构搜索建模为一个嵌套的双层优化问题，内层循环在给定网络架构的情况下，在训练集上优化网络权重，外层循环则固定网络权重，在验证集上优化网络架构的表示，在本技术实施例中不过多赘述。
31.可以理解的是，第一神经网络至少可以包括两个茎秆层以及八个单元层，对于第n个单元层而言，该第n个单元层包括第一预处理节点、第二预处理节点以及依次设置的第一中间节点、第二中间节点、第三中间节点、第四中间节点，第一预处理节点的输入端与第n-2个单元层的输出端连接，第一预处理节点的输出端分别与第一中间节点的输入端、第二中间节点的输入端、第三中间节点的输入端以及第四中间节点的输入端连接；第二预处理节点的输入端与第n-1个单元层的输出端连接，第二预处理节点的输出端分别与第一中间节点的输入端、第二中间节点的输入端、第三中间节点的输入端以及第四中间节点的输入端连接；第一中间节点的输出端分别与第二中间节点的输入端、第三中间节点的输入端以及第四中间节点的输入端连接；第二中间节点的输出端分别与第三中间节点的输入端以及第四中间节点的输入端连接；第三中间节点的输出端与第四中间节点的输入端连接；第n个单元层的输出端用于对第一中间节点的输出结果、第二中间节点的输出结果、第三中间节点的输出结果以及第四中间节点的输出结果进行拼接处理，并将处理后的输出结果输出至第n+1个单元层的第二预处理节点。
32.此处可参阅图2示出的本技术实施例提供的一种单元层的结构示意图。如图2所示，第n个单元层可包括预处理节点0、预处理节点1以及依次设置的中间节点2、中间节点3、中间节点4以及中间节点5，预处理节点0可对第n-2个单元层的输出结果进行处理，并将处理结果分别输出至中间节点2、中间节点3、中间节点4以及中间节点5；预处理节点1可对第n-1个单元层的输出结果进行处理，并将处理结果分别输出至中间节点2、中间节点3、中间节点4以及中间节点5。其中，中间节点3还可获取由中间节点2所输出的中间结果，中间节点4还可获取由中间节点2所输出的中间结果以及由中间节点3所输出的中间结果，中间节点5
还可获取由中间节点2所输出的中间结果、由中间节点3所输出的中间结果以及由中间节点4所输出的中间结果。
33.可以理解的是，以中间节点2将中间结果输出至中间节点3为例，该中间节点2与中间节点3之间的连接边可对应为上述提到的八种卷积操作，每个卷积操作都分配有一个权重值（八种卷积操作的权重值之和为1），中间节点2所输出的中间结果首先需要分别经过该所有八种卷积操作的计算，接着对该八种卷积操作的计算结果进行加权求和，并对该求和结果、预处理节点1所输入的处理结果以及预处理节点2所输入的处理结果再次进行加权求和，以得到最终用于输出至中间节点3的中间结果。需要说明的是，此处任意一个中间节点所有的输入端（也即对应为输入边），根据预设的搜索目标设置只需要留下来其中两个输入端，所以在第一神经网络初始化时，每个中间节点的所有输入端也会分配一个权重，每个中间节点的输入端权重之和为1。
34.在分别得到中间节点2的中间结果、中间节点3的中间结果、中间节点4的中间结果以及中间节点5的中间结果之后，可对该中间节点2的中间结果、中间节点3的中间结果、中间节点4的中间结果以及中间节点5的中间结果进行拼接处理，以得到第n个单元层的最终输出结果，并可以但不局限于将该最终输出结果输出至第n+1个单元层的第二预处理节点，接着计算出该第n+1个单元层的最终输出结果。
35.需要注意的是，上述提到的n为大于或等于3的正整数，也即是说从第三个单元层开始可参阅上述提到的方式计算出最终的输出结果，对于第一个单元层而言，该第一个单元层中第一预处理节点的输入端可与第一神经网络中第一茎秆层的输出端连接，以获取该第一神经网络中第一茎秆层的处理结果；该第一个单元层中第二预处理节点的输入端可与第一神经网络中第二茎秆层的输出端连接，以获取该第一神经网络中第二茎秆层的处理结果，且该第一个单元层的结构与输出结果计算方式可与上述第n个单元层的结构以及输出结果计算方式均保持一致。
36.对于第二个单元层而言，该第二个单元层中第一预处理节点的输入端可与第一神经网络中第二茎秆层的输出端连接，以获取该第一神经网络中第二茎秆层的处理结果；该第一个单元层中第二预处理节点的输入端可与第一个单元层的输出端连接，以获取该第一个单元层的输出结果，且该第二个单元层的结构与输出结果计算方式可与上述第n个单元层的结构以及输出结果计算方式均保持一致。
37.此处还可参阅图3示出的本技术实施例提供的一种神经网络的结构示意图。如图3的上部分所示，第一神经网络具体可以包括依次设置的输入单元、第一茎秆层、第二茎秆层、第一个正常单元层、第二个正常单元层、第一个缩减单元层、第三个正常单元层、第四个正常单元层、第二个缩减单元层、第五个正常单元层、第六个正常单元层以及带有relu激活函数的普通卷积组成的检测头单元。其中，输入至正常单元层的图像的尺寸和通道数都不会发生变化，也即可理解为特征维度没有发生变化；输入至缩减单元层的图像的尺寸缩减一半，通道数扩大一倍。
38.步骤104、将样本合成孔径雷达图像输入至第一神经网络，并根据第一神经网络的预测结果以及样本真实结果，计算出第一损失值。
39.具体地，在构建出第一神经网络之后，为保障第一神经网络的预测精度，可将样本合成孔径雷达图像输入至第一神经网络部，以得到该第一神经网络对样本合成孔径雷达图
像的预测结果，并结合与该样本合成孔径雷达图像对应的样本真实结果，利用设定好的损失函数计算出第一损失值。可以理解的是，在计算第一损失值的过程中，可以但不局限于根据第一神经网络中各个连边的权重分布与各个中间节点间连边的权重分布计算出该第一神经网络的加权理论计算量之和，并将该第一神经网络的理论计算量取对数，使之和根据预测结果以及样本真实结果所计算出的损失值保持在同一数量级，最后将该根据预测结果以及样本真实结果所计算出的损失值和该第一神经网络的加权理论计算量按设置好的权重项相加，以得到最终的第一损失值。
40.此处加入第一神经网络的加权理论计算量，是为了使第一神经网络的优化方向也适当偏向于计算量较小的操作，而根据预测结果以及样本真实结果所计算出的损失值能保证第一神经网络的优化方向不会忽视网络的目标检测能力。
41.步骤106、基于第一损失值对第一神经网络进行训练，并根据训练后的第一神经网络中的架构参数以及预设派生规则，派生出第二神经网络。
42.具体地，在计算出第一神经网络的第一损失值之后，可基于该第一损失值对第一神经网络进行迭代训练，并根据训练后的第一神经网络中的架构参数以及预设派生规则，得到与第一神经网络对应的第二神经网络。其中，预设派生规则可理解为：将第一神经网络中各个连边的权重乘以连边上操作的权重，然后根据这一新的权重分布，为每个中间节点的输入边选出新权重最大的两条边（连边上的操作也选择权重最大的）。
43.在本技术实施例中，第二神经网络至少可以包括两个茎秆层以及十四个单元层，此处还可参阅图3示出的本技术实施例提供的一种神经网络的结构示意图。如图3的下部分所示，第二神经网络具体可以包括依次设置的输入单元、第一茎秆层、第二茎秆层、第一个正常单元层、第二个正常单元层、第三个正常单元层、第四个正常单元层、第一个缩减单元层、第五个正常单元层、第六个正常单元层、第七正常单元层、第八正常单元层、第二个缩减单元层、第九正常单元层、第十正常单元层、第十一正常单元层、第十二正常单元层以及带有relu激活函数的普通卷积组成的检测头单元。其中，输入至正常单元层的图像的尺寸和通道数都不会发生变化，也即可理解为特征维度没有发生变化；输入至缩减单元层的图像的尺寸缩减一半，通道数扩大一倍。
44.作为本技术实施例的一种可选，基于第一损失值对第一神经网络进行训练，包括：固定第一神经网络的权重参数，并基于第一损失值对第一神经网络的架构参数进行更新；在第一神经网络的架构参数进行更新之后，将样本合成孔径雷达图像重新输入至更新后的第一神经网络，并根据更新后的第一神经网络的预测结果以及样本真实结果，计算出第二损失值；固定更新后的第一神经网络中的架构参数，基于第二损失值对更新后的第一神经网络再次进行更新。
45.具体地，在对第一神经网络进行训练的过程中，首先可固定第一神经网络的权重参数（也即可理解为所有卷积操作自身的参数），基于第一损失值对第一神经网络的架构参数进行更新。其中，第一神经网络的架构参数可理解为该第一神经网络中各个连边上的权重分布和各个中间节点间连边的权重分布。接着，可将样本合成孔径雷达图像输入至更新架构参数后的第一神经网络中，并可根据该更新后的第一神经网络的预测结果以及样本真
实结果，计算出第二损失值，此处第二损失值的计算方式可参阅上述实施例，此处不过多赘述。
46.接着，可固定第一神经网络中已更新的架构参数，并基于第二损失值对第一神经网络的权重参数进行更新，这样完成第一神经网络的第一轮训练。
47.可以理解的是，在本技术实施例中可预先设定训练轮数阈值，直至第一神经网络的训练轮数达到设定训练轮数阈值，可确定该第一神经网络训练完成。
48.步骤108、将待处理合成孔径雷达图像输入至第二神经网络，并根据第二神经网络的预测结果，在待处理合成孔径雷达图像上显示目标检测框。
49.具体地，在构建出第二神经网络之后，可将待处理合成孔径雷达图像输入至该第二神经网络，以得到相应的预测结果，其中该预测结果可以但不局限于包括待处理合成孔径雷达图像中所有目标检测框的中心点横纵坐标、偏移量以及置信度。需要说明的是，该第二神经网络的预测结果可能精度还未达到要求，仅此可进一步对该第二神经网络的预测结果进行优化。
50.作为本技术实施例的又一种可选，根据第二神经网络的预测结果，在待处理合成孔径雷达图像上显示目标检测框，包括：对置信度低于预设置信度阈值的目标检测框进行过滤处理；对经过过滤处理的所有目标检测框进行非极大值抑制处理；将经过非极大值抑制处理的所有目标检测框、与每个目标检测框对应的中心点横纵坐标、偏移量以及置信度显示在待处理合成孔径雷达图像上。
51.具体地，可对第二神经网络的预测结果中所有置信度低于预设置信度阈值的目标检测框进行过滤处理，该过滤方式可以但不局限于为直接对相应的目标检测框、中心点横纵坐标、偏移量以及置信度进行删除。
52.接着，可对经过过滤处理后的所有目标检测框进行非极大值抑制处理，该非极大值抑制处理可用于在一定区域内去除冗余的目标检测框，并保留最好的一个目标检测框，其具体处理方式为本领域技术人员所公知的技术手段，此处不过多赘述。
53.此处还可参阅图4示出的本技术实施例提供的一种合成孔径雷达图像的目标检测示意图。如图4所示，在合成孔径雷达图像中每个区域内显示有最好的目标检测框、中心点横纵坐标、偏移量以及置信度。
54.作为本技术实施例的又一种可选，在将待处理合成孔径雷达图像输入至第二神经网络之前，还包括：将样本合成孔径雷达图像输入至第二神经网络，并根据第二神经网络的预测结果以及样本真实结果，计算出第三损失值；基于第三损失值对第二神经网络进行训练；将待处理合成孔径雷达图像输入至第二神经网络，包括：将待处理合成孔径雷达图像输入至训练后的第二神经网络。
55.具体地，可在构建出第二神经网络之后，利用上述提到的样本合成孔径雷达图像以及样本真实结果对该第二神经网络进行训练，其训练方式可参阅上述提到的对第一神经网络进行训练的方式，此处不过多赘述。
56.请参阅图5，图5示出了本技术实施例提供的一种面向合成孔径雷达图像的目标检
测装置的结构示意图。
57.如图5所示，该面向合成孔径雷达图像的目标检测装置至少可以包括第一网络构建模块501、损失计算模块502、第二网络构建模块503以及结果显示模块504，其中：第一网络构建模块501，用于确定至少两种卷积操作，并基于至少两种卷积操作构建第一神经网络；损失计算模块502，用于将样本合成孔径雷达图像输入至第一神经网络，并根据第一神经网络的预测结果以及样本真实结果，计算出第一损失值；第二网络构建模块503，用于基于第一损失值对第一神经网络进行训练，并根据训练后的第一神经网络中的架构参数以及预设派生规则，派生出第二神经网络；结果显示模块504，用于将待处理合成孔径雷达图像输入至第二神经网络，并根据第二神经网络的预测结果，在待处理合成孔径雷达图像上显示目标检测框。
58.在一些可能的实施例中，第一神经网络包括两个茎秆层以及八个单元层，其中：第n个单元层包括第一预处理节点、第二预处理节点以及依次设置的第一中间节点、第二中间节点、第三中间节点、第四中间节点，第一预处理节点的输入端与第n-2个单元层的输出端连接，第一预处理节点的输出端分别与第一中间节点的输入端、第二中间节点的输入端、第三中间节点的输入端以及第四中间节点的输入端连接；第二预处理节点的输入端与第n-1个单元层的输出端连接，第二预处理节点的输出端分别与第一中间节点的输入端、第二中间节点的输入端、第三中间节点的输入端以及第四中间节点的输入端连接；第一中间节点的输出端分别与第二中间节点的输入端、第三中间节点的输入端以及第四中间节点的输入端连接；第二中间节点的输出端分别与第三中间节点的输入端以及第四中间节点的输入端连接；第三中间节点的输出端与第四中间节点的输入端连接；第n个单元层的输出端用于对第一中间节点的输出结果、第二中间节点的输出结果、第三中间节点的输出结果以及第四中间节点的输出结果进行拼接处理，并将处理后的输出结果输出至第n+1个单元层的第二预处理节点，n为大于或等于3的正整数。
59.在一些可能的实施例中，两个茎秆层包括第一茎秆层以及第二茎秆层，其中：第一个单元层中第一预处理节点的输入端与第一茎秆层的输出端连接，第一个单元层中第二预处理节点的输入端与第二茎秆层的输出端连接；第二个单元层中第一预处理节点的输入端与第二茎秆层的输出端连接，第二个单元层中第二预处理节点的输入端与第一个单元层的输出端连接。
60.在一些可能的实施例中，第二网络构建模块包括：固定第一神经网络的权重参数，并基于第一损失值对第一神经网络的架构参数进行更新；在第一神经网络的架构参数进行更新之后，将样本合成孔径雷达图像重新输入至更新后的第一神经网络，并根据更新后的第一神经网络的预测结果以及样本真实结果，计算出第二损失值；固定更新后的第一神经网络中的架构参数，基于第二损失值对更新后的第一神经
网络再次进行更新。
61.在一些可能的实施例中，装置还包括：在将待处理合成孔径雷达图像输入至第二神经网络之前，将样本合成孔径雷达图像输入至第二神经网络，并根据第二神经网络的预测结果以及样本真实结果，计算出第三损失值；基于第三损失值对第二神经网络进行训练；将待处理合成孔径雷达图像输入至第二神经网络，包括：将待处理合成孔径雷达图像输入至训练后的第二神经网络。
62.在一些可能的实施例中，第二神经网络的预测结果包括待处理合成孔径雷达图像中所有目标检测框的中心点横纵坐标、偏移量以及置信度；结果显示模块包括：对置信度低于预设置信度阈值的目标检测框进行过滤处理；对经过过滤处理的所有目标检测框进行非极大值抑制处理；将经过非极大值抑制处理的所有目标检测框、与每个目标检测框对应的中心点横纵坐标、偏移量以及置信度显示在待处理合成孔径雷达图像上。
63.在一些可能的实施例中，第二神经网络包括两个茎秆层以及十四个单元层。
64.本领域的技术人员可以清楚地了解到本技术实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列（field－programmable gate array，fpga）、集成电路（integrated circuit，ic）等。
65.请参阅图6，图6示出了本技术实施例提供的又一种面向合成孔径雷达图像的目标检测装置的结构示意图。
66.如图6所示，该面向合成孔径雷达图像的目标检测装置600可以包括至少一个处理器601、至少一个网络接口604、用户接口603、存储器605以及至少一个通信总线602。
67.其中，通信总线602可用于实现上述各个组件的连接通信。
68.其中，用户接口603可以包括按键，可选用户接口还可以包括标准的有线接口、无线接口。
69.其中，网络接口604可以但不局限于包括蓝牙模块、nfc模块、wi-fi模块等。
70.其中，处理器601可以包括一个或者多个处理核心。处理器601利用各种接口和线路连接整个电子设备600内的各个部分，通过运行或执行存储在存储器605内的指令、程序、代码集或指令集，以及调用存储在存储器605内的数据，执行路由设备600的各种功能和处理数据。可选的，处理器601可以采用dsp、fpga、pla中的至少一种硬件形式来实现。处理器601可集成cpu、gpu和调制解调器等中的一种或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器601中，单独通过一块芯片进行实现。
71.其中，存储器605可以包括ram，也可以包括rom。可选的，该存储器605包括非瞬时性计算机可读介质。存储器605可用于存储指令、程序、代码、代码集或指令集。存储器605可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至
少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器605可选的还可以是至少一个位于远离前述处理器601的存储装置。如图6所示，作为一种计算机存储介质的存储器605中可以包括操作系统、网络通信模块、用户接口模块以及面向合成孔径雷达图像的目标检测应用程序。
72.具体地，处理器601可以用于调用存储器605中存储的面向合成孔径雷达图像的目标检测应用程序，并具体执行以下操作：确定至少两种卷积操作，并基于至少两种卷积操作构建第一神经网络；将样本合成孔径雷达图像输入至第一神经网络，并根据第一神经网络的预测结果以及样本真实结果，计算出第一损失值；基于第一损失值对第一神经网络进行训练，并根据训练后的第一神经网络中的架构参数以及预设派生规则，派生出第二神经网络；将待处理合成孔径雷达图像输入至第二神经网络，并根据第二神经网络的预测结果，在待处理合成孔径雷达图像上显示目标检测框。
73.在一些可能的实施例中，第一神经网络包括两个茎秆层以及八个单元层，其中：第n个单元层包括第一预处理节点、第二预处理节点以及依次设置的第一中间节点、第二中间节点、第三中间节点、第四中间节点，第一预处理节点的输入端与第n-2个单元层的输出端连接，第一预处理节点的输出端分别与第一中间节点的输入端、第二中间节点的输入端、第三中间节点的输入端以及第四中间节点的输入端连接；第二预处理节点的输入端与第n-1个单元层的输出端连接，第二预处理节点的输出端分别与第一中间节点的输入端、第二中间节点的输入端、第三中间节点的输入端以及第四中间节点的输入端连接；第一中间节点的输出端分别与第二中间节点的输入端、第三中间节点的输入端以及第四中间节点的输入端连接；第二中间节点的输出端分别与第三中间节点的输入端以及第四中间节点的输入端连接；第三中间节点的输出端与第四中间节点的输入端连接；第n个单元层的输出端用于对第一中间节点的输出结果、第二中间节点的输出结果、第三中间节点的输出结果以及第四中间节点的输出结果进行拼接处理，并将处理后的输出结果输出至第n+1个单元层的第二预处理节点，n为大于或等于3的正整数。
74.在一些可能的实施例中，两个茎秆层包括第一茎秆层以及第二茎秆层，其中：第一个单元层中第一预处理节点的输入端与第一茎秆层的输出端连接，第一个单元层中第二预处理节点的输入端与第二茎秆层的输出端连接；第二个单元层中第一预处理节点的输入端与第二茎秆层的输出端连接，第二个单元层中第二预处理节点的输入端与第一个单元层的输出端连接。
75.在一些可能的实施例中，基于第一损失值对第一神经网络进行训练，包括：固定第一神经网络的权重参数，并基于第一损失值对第一神经网络的架构参数进行更新；在第一神经网络的架构参数进行更新之后，将样本合成孔径雷达图像重新输入至
更新后的第一神经网络，并根据更新后的第一神经网络的预测结果以及样本真实结果，计算出第二损失值；固定更新后的第一神经网络中的架构参数，基于第二损失值对更新后的第一神经网络再次进行更新。
76.在一些可能的实施例中，在将待处理合成孔径雷达图像输入至第二神经网络之前，还包括：将样本合成孔径雷达图像输入至第二神经网络，并根据第二神经网络的预测结果以及样本真实结果，计算出第三损失值；基于第三损失值对第二神经网络进行训练；将待处理合成孔径雷达图像输入至第二神经网络，包括：将待处理合成孔径雷达图像输入至训练后的第二神经网络。
77.在一些可能的实施例中，第二神经网络的预测结果包括待处理合成孔径雷达图像中所有目标检测框的中心点横纵坐标、偏移量以及置信度；根据第二神经网络的预测结果，在待处理合成孔径雷达图像上显示目标检测框，包括：对置信度低于预设置信度阈值的目标检测框进行过滤处理；对经过过滤处理的所有目标检测框进行非极大值抑制处理；将经过非极大值抑制处理的所有目标检测框、与每个目标检测框对应的中心点横纵坐标、偏移量以及置信度显示在待处理合成孔径雷达图像上。
78.在一些可能的实施例中，第二神经网络包括两个茎秆层以及十四个单元层。
79.本技术还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、dvd、cd-rom、微型驱动器以及磁光盘、rom、ram、eprom、eeprom、dram、vram、闪速存储器设备、磁卡或光卡、纳米系统（包括分子存储器ic），或适合于存储指令和/或数据的任何类型的媒介或设备。
80.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本技术所必须的。
81.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
82.在本技术所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
83.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的
部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
84.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
85.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本技术各个实施例方法的全部或部分步骤。而前述的存储器包括：u盘、只读存储器（read-only memory， rom）、随机存取存储器（random access memory，ram）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
86.本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器（read-only memory， rom）、随机存取器（random access memory，ram）、磁盘或光盘等。
87.以上者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。