一种基于注意力特征融合的稀疏SAR舰船目标检测方法及装置

本发明属于雷达图像处理和目标检测领域，尤其涉及一种基于注意力特征融合的稀疏sar舰船目标检测方法及装置。

背景技术：

1、合成孔径雷达(synthetic aperture radar，sar)是一种在微波波段工作的主动遥感系统。sar的主要优点是可以全天时、全天候工作，并且所传输的信号具有较强的穿透能力。sar舰船检测对海上监测至关重要，在民用和军用方面都有着广阔的应用前景。

2、sar图像由于其特殊的成像方式，具有对地物高度信息的敏感性，因此在目标检测和识别中具有很大的潜力。深度学习技术的出现极大地提高了sar目标检测的准确性和鲁棒性。基于深度学习的目标检测算法主要分为两阶段目标检测算法和单阶段目标检测算法两类。两阶段目标检测算法先由特征提取网络生成一系列作为样本的候选框，再由卷积神经网络进行分类和回归，其代表算法主要包括：r-cnn系列、spp-net以及mask r-cnn等。单阶段目标检测算法则直接通过在神经网络中提取特征来预测目标的类别和位置，其代表算法主要包括：yolo系列、ssd系列、retinanet。相较于单阶段目标检测算法，两阶段目标检测算法虽然检测速度较慢，但能达到更好的检测精度。因此，本发明采用两阶段目标检测经典算法——faster r-cnn。针对sar舰船数据集弱小目标占比较高的特点，本发明在fasterr-cnn算法的基础上，提出了基于注意力特征融合的改进faster r-cnn的目标检测网络，实现sar舰船检测。

技术实现思路

1、发明目的：本发明的目的是提供一种基于注意力特征融合的稀疏sar舰船目标检测方法及装置，提高sar舰船目标检测精度，避免漏检、误检。

2、技术方案：本发明所述的一种基于注意力特征融合的稀疏sar舰船目标检测方法，具体包括以下步骤：

3、(1)基于amp算法将预先获取的sar图像重构为稀疏sar图像；

4、(2)构建基于改进faster r-cnn的目标检测网络；所述目标检测网络包括特征提取网络、基于注意力机制的特征金字塔、roialign池化层和区域生成网络rpn；

5、(3)特征提取网络采用宽残差网络wrn，提取稀疏sar舰船图像不同尺度的特征图；

6、(4)将步骤(3)提取的不同尺度的特征图输入基于注意力机制的特征金字塔结构，实现不同尺度特征图的特征融合；

7、(5)区域生成网络用于生成候选目标框，候选目标框被认为包含感兴趣的对象；

8、(6)将步骤(5)融合后的特征图输入到roialign层，提高回归精度；

9、(7)将步骤(1)的稀疏sar图像作为改进faster r-cnn目标检测网络的输入进行训练，得到目标的检测结果。

10、进一步地，所述步骤(1)通过计算输入图像与稀疏重构图像之间的残值，进行软阈值迭代减小输入图像与稀疏重构图像之间的残值，对图像进行稀疏重建，实现实现过程如下：

11、(11)第i+1步更新残值为：

12、vi+1＝y-axi+1+bi+1vi-1

13、其中，y表示输入的测量值，即sar舰船图像，表示测量矩阵，xi+1表示重建的稀疏估计，初始值x0＝0，残值初始值v-1＝0，i＝1,2,…,imax表示迭代步数，bi+1vi∈rm×1表示昂萨格校正项，可加速amp的收敛，

14、(12)第i+1步的稀疏估计值xi+1表示为：

15、xi+1＝η(xi+ahvi；λt)

16、其中，阈值收缩函数[η(r；λ)]j＝sgn(rj)max{|rj|-λ,0}，去噪阈值α表示调优参数；

17、(13)第i+1步的迭代误差为：

18、

19、当迭代误差满足条件residual＜ε时，结束循环，输出场景的稀疏重建结果x为：

20、x＝xi+1

21、否则i＝i+1，继续执行步骤(11)至(13)；ε表示重建误差参数，稀疏重建结果x是重构得到的稀疏sar图像。

22、进一步地，所述宽残差网络wrn加入dropout层；通过添加更多的卷积核，增加特征通道的数量，实现通道维度和空间维度的转换分开处理，捕获图像中丰富的特征信。

23、进一步地，所述步骤(4)实现过程如下：

24、基于注意力机制的特征金字塔由特征提取网络一组多尺度特征图p＝{p1，p2，…，pn}，通过计算特征图通道之间的关系得到注意力权重，并赋予特征图，得到新的多尺度特征图组：

25、p′i＝hi(up(ai+1⊙pi+1))+gi(ai⊙pi)

26、p″i＝a′i⊙p′i+pi

27、其中，a＝sigmoid(w2(relu(w1(z))))为注意力权重，w1和w2为两个可学习的权重矩阵，z为通过全连接层所得到的全局上下文向量，hi和gi为由卷积层和激活函数组成的转换函数，up为上采样函数。

28、进一步地，所述区域生成网络通过对每个位置应用一组不同尺寸和长宽比的锚框在输入图像上生成一系列候选目标框，候选目标框被认为可能包含感兴趣的对象。

29、进一步地，所述roi align层采用双线性差值法计算相应的像素值。

30、基于相同的发明构思，本发明所述的一种装置设备，包括存储器和处理器，其中：

31、存储器，用于存储能够在处理器上运行的计算机程序；

32、处理器，用于在运行所述计算机程序时，执行如上所述基于注意力特征融合的稀疏sar舰船目标检测方法的步骤。

33、基于相同的发明构思，本发明所述的一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如上所述基于注意力特征融合的稀疏sar舰船目标检测方法的步骤。

34、有益效果：与现有技术相比，本发明的有益效果：本发明采用amp算法对图像进行稀疏重构，实现噪声的减少，提高图像质量，提高后续目标检测的精度；本发明中提出基于注意力机制的特征金字塔结构，可选择地调整视觉对网络的处理，抑制无用信息，使网络能够提取到更多有用的、不同尺度的特征，增强弱小舰船目标检测能力，提高网络性能；提高目标检测精度，避免漏检、误检。

技术特征：

1.一种基于注意力特征融合的稀疏sar舰船目标检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于注意力特征融合的稀疏sar舰船目标检测方法，其特征在于，所述步骤(1)通过计算输入图像与稀疏重构图像之间的残值，进行软阈值迭代减小输入图像与稀疏重构图像之间的残值，对图像进行稀疏重建，实现实现过程如下：

3.根据权利要求1所述的基于注意力特征融合的稀疏sar舰船目标检测方法，其特征在于，所述宽残差网络wrn加入dropout层；通过添加更多的卷积核，增加特征通道的数量，实现通道维度和空间维度的转换分开处理，捕获图像中丰富的特征信。

4.根据权利要求1所述的基于注意力特征融合的稀疏sar舰船目标检测方法，其特征在于，所述步骤(4)实现过程如下：

5.根据权利要求1所述的基于注意力特征融合的稀疏sar舰船目标检测方法，其特征在于，所述区域生成网络通过对每个位置应用一组不同尺寸和长宽比的锚框在输入图像上生成一系列候选目标框，候选目标框被认为可能包含感兴趣的对象。

6.根据权利要求1所述的基于注意力特征融合的稀疏sar舰船目标检测方法，其特征在于，所述roi align层采用双线性差值法计算相应的像素值。

7.一种装置设备，其特征在于，包括存储器和处理器，其中：

8.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如权利要求1-6任一项所述基于注意力特征融合的稀疏sar舰船目标检测方法的步骤。

技术总结
本发明公开了一种基于注意力特征融合的稀疏SAR舰船目标检测方法及装置，基于AMP算法将预先获取的SAR图像重构为稀疏SAR图像；构建基于改进Faster R‑CNN的目标检测网络；特征提取网络采用宽残差网络WRN，提取稀疏SAR舰船图像不同尺度的特征图；将提取的不同尺度的特征图输入基于注意力机制的特征金字塔结构，实现不同尺度特征图的特征融合；区域生成网络用于生成候选目标框，候选目标框被认为包含感兴趣的对象；将融合后的特征图输入到ROIAlign层，提高回归精度；将稀疏SAR图像作为改进Faster R‑CNN目标检测网络的输入进行训练，得到目标的检测结果。本发明提高了对弱小目标的检测能力，实现了目标检测精度的进一步提升。

技术研发人员：张晶晶,王璐玮,刘泽昊,李凌宇,姬忠远,毕辉
受保护的技术使用者：南京航空航天大学
技术研发日：
技术公布日：2024/1/15