[发明专利]基于可变形快速卷积神经网络的舰船检测方法

权利要求书

1.基于可变形快速卷积神经网络的舰船检测方法，其特征在于包括以下步骤：

1)模型训练阶段：

(1)数据集采集，并对采集到的数据集进行筛选，得到训练集图像，将训练集中的每张图像都缩放到1024×1024大小，形成最终的训练数据集；

(2)设计可变形快速卷积神经网络的检测网络的模型结构；

(3)将1024×1024尺度下的训练数据输入可变形快速卷积神经网络中进行训练，可变形快速卷积神经网络的网络优化算法使用Adam算法，训练参数设有：初始学习率α＝0.0001、学习动量momentum＝0.9和权值衰减weight_decay＝0.0005，每次训练的批处理量batch_size＝128；

所述设计可变形快速卷积神经网络的检测网络的模型结构的具体步骤如下：

(a)将分类器的类别数设置为货船类、游艇类、游轮类和背景类4大类，即将特定的矩形包围框是某类别的置信度替换为该矩形包围框是货船、游艇、游轮的置信度；

(b)修改Faster R-CNN的基础网络部分，将深度卷积网络ResNet-101中的res5a_branch2b、res5b_branch2b和res5c_branch2b三个卷积层的卷积方式从常规卷积改变为可变形卷积和空洞卷积，并将res5a_branch1和res5a_branch2a的卷积核步长由2变为1；

(c)修改Faster R-CNN中的RoI-wise子网络，将感兴趣区域池化层的位置调整为第五组卷积模块之后，并将原始的矩形感兴趣区域池化将替换为可变形感兴趣区域池化，对RoI-wise子网络中的全连接层的维度由原始的4096维修改为1024维；

2)舰船检测阶段：

(1)输入一张待检测的图像X，并将图像X缩放到1024×1024大小；

(2)将图像X输入步骤1)第(3)部分训练好的可变形快速卷积神经网络并运行，得到网络预测出的矩形区域；

(3)将预测出的矩形区域使用置信分数衰减的非极大值抑制算法进行后处理，得到最终的检测结果，即舰船所在的矩形区域。

2.如权利要求1所述基于可变形快速卷积神经网络的舰船检测方法，其特征在于在步骤1)第(1)部分中，所述数据集进行筛选的具体步骤如下：

(a)原始的数据集中存在着大量的空矩形框标注问题，所述空矩形框标注问题为一个点、一条线、长宽比大于1︰20、面积小于280，使用先验统计信息对空标现象进行去除；

(b)解决类别不平衡问题，从所有未标注的图像中人工筛选出1000～3000张图像进行人工标注，其中每一张图像中所包含的游轮游艇的数量占到图像中总船数的70％以上；

(c)对数据集中出现的多种天气状况进行整理，确保数据集图像包含晴天、薄雾、云天天气情况。

3.如权利要求1所述基于可变形快速卷积神经网络的舰船检测方法，其特征在于在步骤2)第(3)部分中，所述将预测出的矩形区域使用置信分数衰减的非极大值抑制算法进行后处理，得到最终的舰船矩形区域的具体方法为：

(a)输入可变形快速卷积神经网络预测出的矩形区域；

(b)将所有预测出的矩形区域按照置信分数进行降序排列；

(c)计算每两个矩形区域box_i和box_j的交并比，其中矩形A和矩形B的交并比指的是矩形A和矩形B相交区域的面积与包含矩形A和矩形B的最小外接矩形面积的比值，即：

Overlap(i,j)＝JaccardOverlap(box_i,box_j)

(d)对于Overlap(i,j)≥α,α＝0.4的矩形，对置信分数较低的矩形框进一步降低其置信分数，在更新得分后的矩形区域集合中，删除置信分数低于阈值θ＜0.5的矩形区域，剩余的矩形区域即为舰船的检测区域，算法流程如下：

对于满足Overlap(i,j)≥α,α＝0.4的矩形，按照软阈值对检测框进行处理，即对置信分数较低的矩形框，将其置信值进行按照如下规则进行更新，

其中，b_i表示待处理的检测框，s_i表示b_i的置信分数，f表示置信度的重置函数；

将更新后的检测框按照非极大值处理算法中对s_i的处理方式如下公式所示：