本发明涉及计算机领域中的深度学习,具体为一种轻量化yolo的isar图像实时目标检测方法。
背景技术:
1、逆合成孔径雷达(inverse synthetic aperture radar,isar)作为一种新体制雷达,能够对飞机、导弹、舰船、卫星等运动目标进行高分辨二维成像,在战略防御、战术武器、反卫星等军事领域以及未来的空中、空间交通管制等民事领域中都有重要的应用价值。到目前为止,已经出现了许多isar目标检测方法或算法,但现有的大多数研究都是以牺牲检测速度为代价来提高检测精度。此外,我们的调查发现,很少有研究关注检测速度。然而,牺牲速度来换取准确性是不令人满意的,因为一些实时场合既需要高精度,也需要高速度,例如紧急军事部署、快速空中拦截等。
技术实现思路
1、鉴于现有技术的不足,本发明旨在于提供一一种轻量化yolo的isar图像实时目标检测方法,该方法是基于轻量化yolo,适用于isar图像的自主实时目标检测。
2、为了实现上述目的,本发明采用的技术方案如下:
3、一种轻量化yolo的isar图像实时目标检测方法,所述方法包括:
4、s1图像数据预处理,利用图像标注软件对图像中待检测目标进行标注,类别标签为plane;每个目标均由一个四边形进行标注,具体形式为(xmin,ymin,xmax,ymax),其中(xmin,ymin)表示左上角的顶点,(xmax,ymax)表示右下角的顶点;随机将所有图像按2:1的比例分成训练集和测试集,图像尺寸统一为416pixel×416pixel;
5、s2基于csp-osa模块和特征金字塔对输入图像进行特征提取;
6、s3使用预处理后的训练集进行训练,在每个特征点位置上生成3个先验框,其中采用k-means聚类代替手工设计来设置先验框的参数;
7、s4使用训练得到的网络对测试集进行测试,利用步骤s3得到的权重文件,对测试集图像进行测试。
8、需要说明的是,在所述步骤s2中,整个特征提取网络共21层卷积层,包括3个csp-osa模块和1个特征金字塔,其中卷积核的大小为1×1或3×3,同时采用批归一化和leakyrelu激活函数进行优化;csp-osa模块沿着特征通道将输入特征分成两部分,其中一部分被输入到残差块和两个卷积层,最后三个部分特征沿特征通道连接起来作为输出特征。
9、需要说明的是,所述步骤s3中,采用ciou作为边界框回归损失,使用随机梯度下降进行网络训练,训练直到损失函数收敛不再下降,获得权重文件。
10、需要说明的是,初始学习率为0.00261,总迭代次数为6000,其中在迭代次数为4800和5400时学习率衰减为原来的1/10。
11、需要说明的是,所述ciou的损失函数定义如下:
12、
13、
14、
15、其中,d和g分别表示预测框和真实框,ρ(·)表示计算两个边界框中心的欧式距离,δ表示包围预测框和ground-truth框的最小矩形的对角线距离,iou表示两个边界框的交集与并集比值,wg,hg表示真实框的宽和高,wd,hd表示预测框的宽和高,β是权衡参数,ν表示长宽比的一致性。
16、需要说明的是,所述步骤s4中,与训练集图像预处理一样,测试集每一张图像统一为416pixel×416pixel。
17、本发明的有益效果在于,利用csp-osa模块和特征金字塔改进yolo算法,实现了高精度且高速地检测isar图像中飞机目标。
1.一种轻量化yolo的isar图像实时目标检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的轻量化yolo的isar图像实时目标检测方法,其特征在于,在所述步骤s2中,整个特征提取网络共21层卷积层,包括3个csp-osa模块和1个特征金字塔,其中卷积核的大小为1×1或3×3,同时采用批归一化和leaky relu激活函数进行优化;csp-osa模块沿着特征通道将输入特征分成两部分,其中一部分被输入到残差块和两个卷积层,最后三个部分特征沿特征通道连接起来作为输出特征。
3.根据权利要求1所述的轻量化yolo的isar图像实时目标检测方法,其特征在于,所述步骤s3中,采用ciou作为边界框回归损失,使用随机梯度下降进行网络训练,训练直到损失函数收敛不再下降,获得权重文件。
4.根据权利要求3所述的轻量化yolo的isar图像实时目标检测方法,其特征在于,初始学习率为0.00261,总迭代次数为6000,其中在迭代次数为4800和5400时学习率衰减为原来的1/10。
5.根据权利要求3所述的轻量化yolo的isar图像实时目标检测方法,其特征在于,所述ciou的损失函数定义如下:
6.根据权利要求3所述的轻量化yolo的isar图像实时目标检测方法,其特征在于,所述步骤s4中,与训练集图像预处理一样,测试集每一张图像统一为416pixel×416pixel。