[发明专利]一种基于多尺度融合策略的舰船目标检测方法

说明书

本发明公开了一种基于多尺度融合策略的舰船目标检测方法，包括以下步骤：步骤S1：准备用于训练特征提取网络模型和目标检测网络模型的数据集；步骤S2：结合多尺度特征融合的概念，设计并得到一种优化的特征提取网络；步骤S3：将步骤S2得到的特征提取网络模型移植到目标检测网络RFCN中，得到基于多尺度特征融合的MFF‑RFCN；步骤S4：基于步骤S1中自建舰船目标检测数据集Dataset‑detection，训练得到能更好应用于舰船目标检测的网络模型。采用本发明的技术方案，将高层特征图和低层特征图进行融合，将语义信息与位置信息整合起来，可以在资源不受限的使用场景下，进一步提升网络的特征提取能力，具有检测精度高，涵盖尺度广等优点。

技术领域

本发明涉及海上的舰船目标检测方法，尤其涉及一种基于多尺度融合策略的舰船目标检测方法。

背景技术

我国领海面积辽阔，海洋矿产丰富，是一个海洋大国，海洋是国家安全的重要屏障。舰船目标是海洋的主体，精准的检测舰船目标是建设海洋强国之路上意义重大的基础工作。

深度学习领域研究的不断深入，使得基于深度卷积神经网络的目标分类和检测网络在各个领域得到了广泛的应用。然而许多深度学习网络框架都是通过在特征提取模块末端的一层共享特征图基础上生成候选框并进行目标检测识别。虽然末端的特征图拥有较强的语义信息，但是其包含的位置信息非常模糊、尺度涵盖范围非常有限，对目标尺度变换的鲁棒性较差。所以在现实的舰船检测场景中，如何精准检测出多尺度下的目标还是个难题，尤其是对小尺度的舰船目标的检测。

为了解决这一问题，一种方法是使用数据增强，在训练的时候把图片放缩成不同尺度再输入网络进行训练，但是运行时间会成倍增加，目标检测的效率大大下降，而且训练的时候需要占用更多的显存容量，对硬件环境的要求有所提高。另一种方法是通过单尺度训练，多尺度预测的方法来解决显存问题，但是这并没有从根本上解决网络特征结构上存在的语义与位置信息不完整问题，并且训练和预测目标并不一致，训练过程评价指标判定难度较高。所以如何在保证目标检测效率的情况下，精准检测出多尺度下的目标，尤其是小尺度目标，成为了亟待解决的问题。

发明内容

针对现有技术存在的问题，本发明提出一种基于多尺度融合策略的舰船目标检测方法。该发明的优势是本文采用多尺度特征融合的概念，将高层特征图和低层特征图进行融合，将语义信息与位置信息整合起来，提高了网络特征提取能力，进一步提升了目标检测网络的性能，尤其是小尺度目标的检测精度。

为解决其技术问题，本发明采用的技术方案如下：

一种基于多尺度融合策略的舰船目标检测方法，其特征在于，包括以下步骤：

步骤S1：准备用于训练特征提取网络模型和目标检测网络模型的数据集；

步骤S2：结合多尺度特征融合的概念，设计并得到一种优化的特征提取网络；

步骤S3：将步骤S2得到的特征提取网络模型移植到目标检测网络RFCN中，得到基于多尺度特征融合的MFF-RFCN；

步骤S4：基于步骤S1中自建舰船目标检测数据集Dataset-detection，训练得到能更好应用于舰船目标检测的网络模型。

其中，所述步骤S1进一步包括：

步骤S11：利用公有数据集ImageNet中海洋环境相关的目标类别，结合已有的海洋环境视频图像数据，建立相关分类数据集Dataset-classification，用于训练特征提取网络；

步骤S12：基于海上真实环境拍摄的视频图像，标注建立了面向舰船目标的检测数据集Dataset-detection，用于训练目标检测网络；

其中，步骤S2进一步包括：

步骤S21：结合多尺度特征融合的概念，构建反向逐级融合特征图的结构；