基于对抗实例的SAR图像船舶检测数据增强方法及系统

本发明涉及数据增强，具体而言，涉及基于对抗实例的sar图像船舶检测数据增强方法及系统。

背景技术：

1、合成孔径雷达(sar)是一种全天候工作的传感器，它广泛应用于遥感和对地观测。从sar图像中寻找船舶是一项重要的应用，研究人员提出了许多研究课题。传统方法主要依赖于恒虚警率(constant false alarm rate,cfar)检测算法。首先对像素的分布进行建模，并根据输入计算参数和阈值，然后根据阈值输出目标像素和非目标像素。从本质上讲，基于cfar的方法是机器学习中的无监督分割方法。这种方法的性能与计算机视觉中使用的有监督目标检测方法相差甚远，这在最近的研究中已经得到了证明。

2、随着数据量的增加、计算能力的提升、学习算法的成熟和应用场景的丰富，神经网络迎来了又一次复兴，更名为深度学习。深度学习相对于传统算法具有端到端优势，它在计算机视觉领域显示出巨大的优势。它不是把单独调试的部分组合成一个系统，而是将整个系统组装在一起并进行训练。随着这股热潮的兴起，深度学习在很多领域得到了广泛的应用。由于深度学习的巨大优势，研究人员开始从中寻求灵感。自从2017年ssdd出现之后，大量的相关算法被提出。

3、深度学习在sar船舶检测中的应用之所以能够蓬勃发展，主要是因为可以使用的数据集，如hrsid和ls-ssdd-v1.0。但与计算机视觉中使用的数据集(如pascalvoc和mscoco)相比，上述数据集相当小。例如，hrsid数据集总共有5604个样本，而mscoco有328000个样本。从计算机视觉中借来的目标检测算法将面临过拟合的问题。为了缓解这一问题，在这一领域使用了大量的数据增强方法。

4、数据增强方法可以通过裁剪或操作生成多样化的图像，它可以提高检测算法的泛化能力。但是目前所提出的数据增强方法在sar舰船检测中的适应性不太好。这些方法不是从深度学习模型的角度发明的，而是基于研究人员的经验。为了解决这一问题，本发明提出了一种基于对抗样本的sar舰船检测数据增强方法。

5、通常，深度学习模型具有较强的特征提取能力，容易受到一些对抗性攻击。有报道表明，在输入中加入微小的不可察觉的干扰会使模型输出错误的预测。本发明认为生成的对抗样例也可以作为一种新的数据增强方法。并且通过在训练集中添加对抗性示例可以提高深度学习模型的性能。

6、对抗性训练意味着在输入图像上添加干扰，然后在深度学习模型上进行训练。它可以产生高度逼真的对抗样本，从而提高算法对未见样本的检测能力。fgsm和pgd是该领域常用的对抗性训练方法，它们之间的主要区别在于选择了内部最大化方法，虽然pgd的训练效果较好，但存在训练成本高的问题。

技术实现思路

1、为了解决上述问题，本发明提出基于对抗实例的sar图像船舶检测数据增强方法，意在解决现有技术中存在的问题，同时保持鲁棒性和准确性之间的良好平衡，降低鲁棒性和灾难性过拟合的风险。

2、为了实现上述技术目的，本申请提供了基于对抗实例的sar图像船舶检测数据增强方法，包括以下步骤：

3、设定扰动范围，获取对抗性摄动，通过优化算法更新对抗性训练算法fgsm的模型参数，生成改进fgsm算法；

4、采集sar图像船舶检测数据，通过改进fgsm算法进行对抗训练，对数据进行增强；

5、采用随机初始化、正则化、平方损失以及循环学习率对模型进行优化，模型为用于通过sar图像船舶检测数据进行船舶检测的算法模型。

6、优选地，在获取对抗性扰动的过程中，对抗性扰动表示为：

7、

8、xadv＝max(min(xadv，ε)，-ε)

9、其中，η为区间[-ε，ε]的随机均匀分布，ε为扰动范围，α是步长，fθ是深度学习模型，yi表示模型预测输入，xi表示输入，l表示损失函数，表示对抗性扰动的梯度。

10、优选地，在更新模型参数的过程中，模型参数表示为：

11、

12、其中，表示θ的梯度。

13、优选地，在对模型参数进行更新的过程中，通过在每次迭代中引入一个强惩罚项，防止过于激进的更新。

14、优选地，在进行迭代更新的过程中，(t+1)次迭代更新过程为：

15、θt+1＝argminθf(θ)+λr(θ，θt)

16、其中，r(θ，θt)是强正则化项λ表示正则化因子。

17、优选地，在对数据进行处理过程中，基于独热编码的标签向量的标准平方损失，对增强后的数据，进行独热编码。

18、优选地，在获取标准平方损失的过程中，标准平方损失表示为：

19、

20、其中，yhot表示标签向量，f(x)表示模型输出。

21、本发明公开了基于对抗实例的sar图像船舶检测数据增强系统，包括：

22、数据采集模块，用于获取待增强的sar图像船舶检测数据；

23、数据增强模块，用于对sar图像船舶检测数据，通过改进fgsm算法进行增强，对增强后的数据，进行独热编码，进行模型训练，其中，设定扰动范围，获取对抗性扰动，通过优化算法更新对抗性训练算法fgsm的模型参数，生成改进fgsm算法。

24、优选地，数据增强模块，还用于在对模型参数进行更新的过程中，通过在每次迭代中引入一个强惩罚项，防止过于激进的更新。

25、优选地，数据增强模块，还用于在对数据进行数据增强的过程中，基于独热编码的标签向量的标准平方损失，对数据增强后的数据，进行独热编码。

26、本发明公开了以下技术效果：

27、本发明通过引入了对抗训练，提高了检测算法的泛化和鲁棒性，同时保持了鲁棒性和准确性之间的良好平衡，降低灾难性过拟合的风险；与传统的数据增强方法相比，本发明所提出的方法在ssdd和ls-ssdd-v1.0上分别提高了17％和26％。

技术特征：

1.基于对抗实例的sar图像船舶检测数据增强方法，其特征在于，包括以下步骤：

2.根据权利要求1所述基于对抗实例的sar图像船舶检测数据增强方法，其特征在于：

3.根据权利要求2所述基于对抗实例的sar图像船舶检测数据增强方法，其特征在于：

4.根据权利要求3所述基于对抗实例的sar图像船舶检测数据增强方法，其特征在于：

5.根据权利要求4所述基于对抗实例的sar图像船舶检测数据增强方法，其特征在于：

6.根据权利要求5所述基于对抗实例的sar图像船舶检测数据增强方法，其特征在于：

7.根据权利要求6所述基于对抗实例的sar图像船舶检测数据增强方法，其特征在于：

8.基于对抗实例的sar图像船舶检测数据增强系统，其特征在于，包括：

9.根据权利要求8所述基于对抗实例的sar图像船舶检测数据增强系统，其特征在于：

10.根据权利要求9所述基于对抗实例的sar图像船舶检测数据增强系统，其特征在于：

技术总结
本发明公开了基于对抗实例的SAR图像船舶检测数据增强方法及系统，属于数据增强技术领域，包括：设定扰动范围，获取对抗性摄动，通过优化算法更新对抗性训练算法FGSM的模型参数，生成改进FGSM算法；采集SAR图像船舶检测数据，通过改进FGSM算法进行对抗训练，对数据进行增强；采用随机初始化、正则化、平方损失以及循环学习率对模型进行优化；本发明提高了检测算法的泛化和鲁棒性，同时保持了鲁棒性和准确性之间的良好平衡，降低了灾难性过拟合的风险。

技术研发人员：李健伟,程普,于振涛,迟铖,余路,李婷婷,陶荣华,许素芹
受保护的技术使用者：中国人民解放军海军潜艇学院
技术研发日：
技术公布日：2024/1/25