基于模型压缩的轻量级舰船目标检测方法

本发明属于图像处理，具体涉及一种基于模型压缩的轻量级舰船目标检测方法。

背景技术：

1、合成孔径雷达(synthetic aperture radar，sar)作为一种主动式微波成像传感器，具有全天时、全天候对地观测的独特能力，成为当前对地观测的主要手段之一，在海洋探测领域占据重要地位。舰船目标检测作为海洋船舶管理系统的基础功能，对进一步实现舰船目标识别、跟踪起到保障性作用，因此研究对海sar舰船目标检测具有重要意义。

2、sar图像目标检测研究的主要问题是如何从sar图像中提取出感兴趣的目标区域，并去除环境杂波和人造杂波虚警。现有的sar舰船目标检测方法可分为基于模型驱动的传统检测方法和基于数据驱动的深度学习检测方法。其中，传统检测方法以基于背景杂波统计分布的恒虚警率目标检测方法和基于视觉注意模型的显著性目标检测算法为主，深度学习检测方法则分为以r-cnn系列为代表的两阶段检测算法和以yolo系列为代表的一阶段检测算法。

3、然而，在岛屿、港口、海湾等复杂背景下，sar图像的杂波散射强度较高，杂波背景非均匀，同时舰船目标分布情况多样，传统的基于恒虚警率(cfar)的方法难以选取合适的杂波背景模型，不能很好地应用于多尺度和背景杂波复杂条件下的对海舰船目标检测，会产生大量的虚警和漏警；基于深度学习的检测方法因其强大的特征提取能力以及在光学数据集中的优秀表现，因此被引入到舰船目标检测中，并通过各种改进对网络性能进行提升。但是，基于深度学习的检测方法在获取较高检测性能的同时会带来较大的参数量和计算复杂度，难以适用于资源受限平台，存在平台有限计算资源与算法复杂度高的冲突。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提供了一种基于模型压缩的轻量级舰船目标检测方法。本发明要解决的技术问题通过以下技术方案实现：

2、本发明提供一种基于模型压缩的轻量级舰船目标检测方法，包括：

3、获取sar图像；

4、将所述sar图像输入至检测模型的轻量化主干网络，以使所述轻量化主干网络对所述sar图像进行特征提取，得到不同尺度的特征图；所述轻量化主干网络由ghost conv单元和pconv卷积对yolo v5s中backbone部分进行重构后获得；

5、将所述不同尺度的特征图输入至检测模型的特征融合网络，以使所述特征融合网络进行特征图融合后，利用多个不同尺度的改进解耦检测头检测sar图像中不同尺度的舰船目标。

6、在本发明的一个实施例中，所述轻量化主干网络包括依次级联的dfocus模块、第一特征提取模块、第二特征提取模块、可变形卷积模块、第三特征提取模块和第四特征提取模块；其中，

7、所述第一特征提取模块包括：全维度动态卷积单元odconv和ghost_pconvbottleneck单元，所述第二特征提取模块包括：ghost conv单元和ghost_pconvbottleneck单元，所述第三特征提取模块与所述第二特征提取模块的结构相同，所述第四特征提取模块包括：ghost conv单元、se单元、sppf单元和ghost_pconv bottleneck单元。

8、在本发明的一个实施例中，所述ghost_pconv bottleneck单元包括：ghost conv单元、p-ghost单元和加法器，其中，ghost conv单元的输出与p-ghost单元的输入连接，ghost conv单元的输入与p-ghost单元的输出均连接至所述加法器。

9、在本发明的一个实施例中，所述ghost conv单元包括依次连接的第一卷积层、第一批归一化层、第一激活函数层、第二卷积层、第二批归一化层、第二激活函数层和第一拼接层，所述第一激活函数层的输出连接至所述拼接层的输入。

10、在本发明的一个实施例中，所述p-ghost单元包括依次连接的第三卷积层、pconv层和第二拼接层，所述第三卷积层的输出连接至所述第二拼接层的输入。

11、在本发明的一个实施例中，所述特征融合网络由ghost conv单元和ghost_pconvbottleneck单元对yolo v5s中neck部分进行重构后获得。

12、在本发明的一个实施例中，所述特征融合网络是将yolo v5s中neck部分的conv单元替换为ghost conv单元、c3单元替换为ghost_pconv bottleneck单元后获得。

13、与现有技术相比，本发明的有益效果在于：

14、本发明提供一种基于模型压缩的轻量级舰船目标检测方法，解决了复杂海岸场景下检测性能不佳、资源受限时模型效率与检测精度存在冲突的问题，能够在保证检测精度的同时降低模型的参数量和计算复杂度。

15、由于sar图像背景复杂，存在大量杂波干扰，特征金字塔网络表示能力不足，为使网络有效关注有用特征而抑制有关信息，本发明通过引入se单元，充分加强通道注意力信息，提高了信息利用率。

16、针对目标分类更关注中心的内容区域、边框回归更关注边缘信息问题，本发明使用改进的解耦检测头将分类任务与回归任务分离，有效提高了检测识别率；并且通过采用基于卷积核权值大小的剪枝算法对训练好的网络结构进行剪枝操作，有利于进一步降低参数量与计算复杂度。

17、以下将结合附图及实施例对本发明做进一步详细说明。

技术特征：

1.一种基于模型压缩的轻量级舰船目标检测方法，其特征在于，包括：

2.根据权利要求1所述的基于模型压缩的轻量级舰船目标检测方法，其特征在于，所述轻量化主干网络包括依次级联的dfocus模块、第一特征提取模块、第二特征提取模块、可变形卷积模块、第三特征提取模块和第四特征提取模块；其中，

3.根据权利要求2所述的基于模型压缩的轻量级舰船目标检测方法，其特征在于，所述ghost_pconv bottleneck单元包括：ghost conv单元、p-ghost单元和加法器，其中，ghostconv单元的输出与p-ghost单元的输入连接，ghost conv单元的输入与p-ghost单元的输出均连接至所述加法器。

4.根据权利要求3所述的基于模型压缩的轻量级舰船目标检测方法，其特征在于，所述ghost conv单元包括依次连接的第一卷积层、第一批归一化层、第一激活函数层、第二卷积层、第二批归一化层、第二激活函数层和第一拼接层，所述第一激活函数层的输出连接至所述拼接层的输入。

5.根据权利要求4所述的基于模型压缩的轻量级舰船目标检测方法，其特征在于，所述p-ghost单元包括依次连接的第三卷积层、pconv层和第二拼接层，所述第三卷积层的输出连接至所述第二拼接层的输入。

6.根据权利要求2所述的基于模型压缩的轻量级舰船目标检测方法，其特征在于，所述特征融合网络由ghost conv单元和ghost_pconv bottleneck单元对yolo v5s中neck部分进行重构后获得。

7.根据权利要求6所述的基于模型压缩的轻量级舰船目标检测方法，其特征在于，所述特征融合网络是将yolo v5s中neck部分的conv单元替换为ghost conv单元、c3单元替换为ghost_pconv bottleneck单元后获得。

技术总结
本发明公开了一种基于模型压缩的轻量级舰船目标检测方法，包括：获取SAR图像；将SAR图像输入至检测模型的轻量化主干网络，以使轻量化主干网络对SAR图像进行特征提取，得到不同尺度的特征图；轻量化主干网络由Ghost Conv单元和PConv卷积对Yolo v5s中backbone部分进行重构获得；将不同尺度的特征图输入至检测模型的特征融合网络，以使特征融合网络进行特征图融合后，利用多尺度改进解耦检测头检测SAR图像中不同尺度的舰船目标。本发明解决了复杂海岸场景下检测性能不佳、资源受限时模型效率与检测精度存在冲突的问题，能够在保证检测精度的同时降低模型的参数量和计算复杂度。

技术研发人员：梁毅,王雅丽,梁宇杰,邢孟道
受保护的技术使用者：西安电子科技大学
技术研发日：
技术公布日：2024/3/27