[发明专利]基于深度学习的SAR遥感图像水面目标检测方法

权利要求书

1.基于深度学习的SAR图像水面目标检测方法，其特征在于包括如下步骤：

步骤1：采集SAR图像，并扩充数据集；

步骤2：对SAR图像数据集进行标注和打标签，构建训练样本集；

步骤3：设计一个卷积神经网络分类模型C0，采用“迁移学习”方法对C0 预训练，基于该模型设计RPN区域建议网络模型和Fast R-CNN目标检测网络模型；

步骤4：采用交叉训练方法对RPN区域建议网络和Fast R-CNN目标检测网络进行训练，得到最终的目标检测模型；

步骤5：使用目标检测模型对SAR图像水面目标进行检测。

2.根据权利要求1所述的SAR图像水面目标检测方法，其特征在于：步骤1所述采集SAR图像，并扩充数据集包括：

采集世界各港口的SAR图像，并将每张图片裁剪成若干张长边为1000、短边为600的子图像作为训练集；

采用增量学习的方法，通过对SAR图像进行几何变换、使用生成式对抗网络的方式对数据集进行扩充，几何变换包括水平翻转、平移、随机缩放。

3.根据权利要求1所述的SAR图像水面目标检测方法，其特征在于：步骤2中所述标注是指记录SAR图像水面目标在一整张图像中的左上角点和右下角点的坐标，所述标签是指标注的水面目标的类别标记。

4.根据权利要求1所述的SAR图像水面目标检测方法，其特征在于：所述步骤3采用“迁移学习”方法，使用MSTAR数据集对卷积神经网络分类模型C0 进行预训练得到训练后的分类模型，基于该模型设计RPN区域建议网络模型和Fast R-CNN目标检测网络模型。

5.根据权利要求4所述的SAR图像水面目标检测方法，其特征在于：使用MSTAR数据集对卷积神经网络分类模型C0 进行预训练的步骤如下：

C0 为8层网络结构，包含5个卷积层和3个全连接层，从上往下数在第一层、第二层、第五层卷积层后面均添加Max Pooling池化操作，使用MSTAR数据集作为网络输入对模型进行训练，得到预训练后的分类模型，用该模型对RPN区域建议网络和Fast R-CNN目标检测网络进行参数初始化。

6.根据权利要求4所述的SAR图像水面目标检测方法，其特征在于：所述基于分类模型C0 设计的RPN区域建议网络如下：

RPN区域建议网络的前五个卷积层和分类模型C0 的前五个卷积层一致，在第五个卷积层后连接一个RPN卷积层，并将第七个和第八个卷积层直接连接到RPN卷积层后。

7.根据权利要求4所述的SAR图像水面目标检测方法，其特征在于：所述基于分类模型C0 设计的Fast R-CNN目标检测网络如下：

Fast R-CNN目标检测网络的五个卷积层、ROI pooling层、第一个全连接层和第二个全连接层直接依次级联，第三个全连接层和第四个全连接层均直接连接到第二个全连接层上。

8.根据权利要求1所述的SAR图像水面目标检测方法，其特征在于：步骤4所述采用交叉训练方法得到最终的目标检测模型的具体方法如下：

a)使用预训练的分类模型C0对候选区域提取网络做参数初始化，并进行端到端微调网络参数，得到候选区域提取模型；

b)利用第a)步中训练得到的候选区域提取模型对训练数据集提取区域建议框，作为目标检测网络的输入，并使用分类模型对目标检测网络做参数初始化，微调网络参数，得到目标检测器；

c)利用第b)步得到的目标检测网络对候选区域提取网络做参数初始化，并固定共享的卷积层参数不变，只微调候选区域提取网络中独有的卷积层参数；

d)利用第c)步中训练得到的候选区域提取网络对数据集提取候选区域，作为目标检测网络上的输入，并且固定共享的卷积层参数，微调目标检测网络中全连接层的参数；这样，两个网络共享相同的卷积层，构成了一个统一的检测网络；

将测试图像作为目标检测模型的输入，用矩形框标示出图像中检测到的水面舰船目标。