买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安电子科技大学

摘要：本发明提出了一种基于全卷积网络的单阶段旋转舰船检测方法，实现步骤为：获取训练样本集和测试样本集；构建单阶段旋转舰船目标检测模型；对单阶段旋转舰船目标检测模型进行迭代训练；通过训练好的单阶段旋转舰船目标检测模型对所有目标的边界框位置和类别置信度进行检测。本发明基于对水平框检测的全卷积单阶段目标检测网络模型，在原有网络基础上加入角度分支并优化网络结构及损失函数，通过网络中多层全卷积层卷积得到的特征图直接逐像素点无锚框的生成预测结果，实现了对旋转舰船目标的快速检测，在保证旋转舰船目标检测检测精度的前提下提高了检测效率，可用于海上监测、海防预警、海洋维权等领域。

主权项：1.一种基于全卷积网络的单阶段旋转舰船检测方法，其特征在于，包括如下步骤：1获取训练样本集和测试样本集：1a获取包含舰船目标的M幅光学遥感舰船图像，并对每幅光学遥感舰船图像中的舰船目标进行旋转框标注，然后对舰船目标标注后的每幅光学遥感舰船图像进行大小归一化，再对归一化的图像进行色彩标准化操作，得到预处理后的T幅大小为W×R的光学遥感舰船图像H＝{H1,H2,…,Hm,…,HM}，其中，M≥1000，Hm表示第t幅预处理后的光学遥感舰船图像，W和R表示图片行和列的像素点的个数；1b对每幅预处理后的光学遥感舰船图像Hm进行数据增强，并将H中Q幅预处理后的光学遥感舰船图像及其对应的数据增强后的光学遥感舰船图像组成训练样本集Htrain，将其余Y幅预处理后的光学遥感舰船图像及其对应的数据增强后的幅光学遥感舰船图像组成测试样本集Htest，其中M＝Q+Y；2构建基于全卷积网络的单阶段旋转舰船目标检测模型O：2a构建基于全卷积网络的单阶段旋转舰船目标检测模型O的结构：构建包括顺次连接的主干网络和检测网络的单阶段旋转舰船目标检测模型O，其中：主干网络包括顺次连接的特征提取子网络和特征增强子网络；特征增强子网络包括三个并行排布的特征增强层；检测网络包括与每个特征增强层连接的检测子网络，每个检测子网络包括并行排布且均由多个第一全卷积层组成的第一全卷积网络和第二全卷积网络；第一全卷积网络的输出端连接有并行排布第二全卷积层、第三全卷积层和第四全卷积层；第二全卷积网络的输出端连接有第五全卷积层；2b定义单阶段旋转舰船目标检测模型O的损失函数L、类别损失函数Lcls、回归损失函数Lreg、中心度损失函数Lc：L＝Lcls+αLreg+βLC 其中，px,y是特征点预测类别输出，是类别标签，tx,y是特征点预测回归输出，回归标签，表示指示器，当时，取1，当时，取0，α与β为权重参数，α+β＝1,且取值范围[0,1]；3对基于全卷积网络的单阶段旋转舰船检测模型进行迭代训练：3a初始化迭代数为t，最大迭代次数为T，T≥10000，第t次迭代单阶段旋转舰船检测模型为Ot，第t次迭代检测网络、特征提取子网络的权值分别为ω1t、ω2t，并令Ot＝O，t＝1；3b预测每个目标的位置、旋转偏转角度、中心度偏移量和类别置信度；3b1将从训练样本集Htrain中随机选取的b个训练样本作为单阶段旋转舰船检测模型Ot的输入，主干网络中的特征提取子网络提取每个训练样本中目标的多尺度特征图；特征增强子网络对每个特征图进行特征增强，b≥8；3b2检测网络中的第一全卷积网络和第二全卷积网络分别对特征增强后的每个特征图进行多层全卷积操作，第二全卷积层、第三全卷积层和第四全卷积层分别对第一全卷积网络多层全卷积操作得到的每个回归特征图进行单层全卷积操作，得到位置标签角度标签中心度标签第五全卷积层对第二全卷积网络多层全卷积操作得到的每个分类特征图进行全卷积操作，得到预测目标的类别置信度标签3c采用损失函数L，并通过和计算Ot的损失值Lt，采用反向传播方法，通过Lt计算Ot的参数梯度λt，然后采用梯度下降法，通过λt对检测网络、特征提取子网络的权值ω1t和ω2t进行更新；3d判断t＝T是否成立，若是，得到训练好的单阶段旋转舰船检测网络模型O*，否则令t＝t+1，并执行步骤3b；4获取单阶段旋转舰船的检测结果：将测试样本集Htest作为训练好的单阶段旋转舰船检测模型O*的输入进行前向传播，得到预测目标的位置标签角度标签中心度标签类别置信度标签使用阈值为μ的旋转非极大抑制方法NMS对预测目标的进行筛选，得到Htest包含的每个目标的边界框与类别置信度。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于全卷积网络的单阶段旋转舰船检测方法