[发明专利]一种船舰目标检测方法、系统、设备及介质

权利要求书

1.一种船舰目标检测方法，其特征是，包括：

获取待检测图像；

利用预训练的改进的SSD神经网络模型，对待检测图像进行检测，输出船舰目标检测结果；

改进的SSD神经网络模型，通过上采样算子CARAFE实现上采样操作；

通过设置损失函数为Focal loss，解决船舰目标检测过程中正负样本比例不均衡的问题。

2.如权利要求1所述的方法，其特征是，所述改进的SSD神经网络模型，包括：

输入层，用于获取输入图像；

卷积层B1，为卷积神经网络VGG16模型的卷积层Conv4_3，经过卷积操作后提取输入图像的第一特征图，所述第一特征图的大小为38*38*512；卷积层B1分别与卷积层B2和卷积层D1连接；

卷积层B2，对第一特征图经过卷积操作后提取第二特征图，第二特征图大小为19*19*1024；卷积层B2分别与卷积层C1和上采样层D2连接；

卷积层C1,对第二特征图经过卷积操作后提取第三特征图，第三特征图大小为10*10*512；卷积层C1分别与上采样层D3和卷积层C2连接；

卷积层D1，将卷积层B1提取的第一特征图经过1*1*512*256卷积核压缩后生成第一压缩特征图，第一压缩特征图大小为38*38*256，生成第一压缩特征图被送入融合层F；

上采样层D2，将卷积层B2提取的第二特征图经过CARAFE算子的上采样运算，得到第一上采样特征图，第一上采样特征图的大小为38*38*256，上采样层D2的输出第一上采样特征图被送入融合层F；

上采样层D3，将卷积层C1提取的第三特征图经过CARAFE算子的上采样运算，得到第二上采样特征图，第二上采样特征图大小为38*38*256，生成的第二上采样特征图被送入融合层F；

融合层F，将卷积层D1、上采样层D2和上采样层D3输出的特征图，进行串联连接操作，进行特征重组得到融合后的特征图F，融合后的特征图F大小为38*38*768；

卷积层C2，将卷积层C1输出的第三特征图作为输入特征，经过卷积操作后得到第四特征图；卷积层C2的输出端分别与卷积层C3和识别层G相连，第四特征图大小为19*19*512；

卷积层C3，将卷积层C2输出的第四特征图作为输入特征，经过卷积操作后得到第五特征图；卷积层C3的输出端分别与卷积层C4和识别层G相连，第五特征图的大小为10*10*256；

卷积层C4，将卷积层C3输出的第五特征图作为输入特征，经过卷积操作后得到第六特征图；卷积层C4的输出端分别与卷积层C5和识别层G相连，第六特征图的大小为5*5*256；

卷积层C5，将卷积层C4输出的第六特征图作为输入特征，经过卷积操作后得到第七特征图；卷积层C5的输出端分别与卷积层C6和识别层G相连，第七特征图的大小为3*3*256；

卷积层C6，将卷积层C5输出的第七特征图作为输入特征，经过卷积操作后得到第八特征图；卷积层C6的输出端与识别层G相连，第八特征图的大小为1*1*256；

识别层G，将融合层F、卷积层C2、卷积层C3、卷积层C4、卷积层C5和卷积层C6的输出值作为输入；为融合层F设置4个先验框，卷积层C2设置6个先验框，卷积层C3设置6个先验框，卷积层C4设置6个先验框，卷积层C5设置4个先验框，卷积层C6设置4个先验框；

每个先验框预测一个边界框，所以SSD一共可以预测38*38*4+19*19*6+10*10*6+5*5*6+3*3*4+1*1*4＝8732个边界框。

3.如权利要求1所述的方法，其特征是，所述改进的SSD神经网络模型，对交叉熵函数更改为focal loss：

L_fl＝-α_t(1-p_t)^γlog(p_t)

其中，L_fl为基于focal loss的损失值函数，p_t为不同类别的分类概率，γ为调制系数，α_t为正负样本对总的loss的共享权重。