[发明专利]基于深度学习的水面小目标检测与分类方法

权利要求书

1.一种基于深度学习的水面小目标检测与分类方法，其特征在于：该方法包括以下步骤：

S1、图像预处理：针对原始数据集雨雾场景图像与夜间场景图像，分别采用改良MSPFN去雨雾算法与优化MSR图像增强算法进行处理，处理后的图像加入原数据集，生成新数据集；

S2、新数据集按指定规格重构，随后设定不同的IOU阈值界定样本分布，将样本输入主干特征提取卷积神经网络，提取图像的不同特征层的特征；

S3、将提取到的不同特征层融合，以获得多尺度信息的高级特征；

S4、通过高级特征对生成的不同尺度候选框进行神经网络训练，得到建议框，结合最后一层特征层将建议框输入感兴趣区域层，得到建议框与特征层之间的映射层；

S5、将映射层输出到分类器与回归器中，进一步改善建议框，训练得到这一轮的检测模型；

S6、将前一轮检测模型输出的当前阶段目标检测框作为下一轮检测模型的输入，使得IOU阈值不断上升，级联各检测模型得到优化目标检测模型。

2.根据权利要求1所述的基于深度学习的水面小目标检测与分类方法，其特征在于：所述的优化MSR算法，该方法步骤为：

步骤1，将原始的RGB图像通过颜色恢复函数转换为HSV图像；

步骤2，对HSV图像中的V分量图像进行高斯滤波，得到入射分量图像与反射分量图像；

步骤3，将反射分量图像由HSV图像转变为RGB图像，采用色彩恢复因子参数调节图像局部区域对比度，随后输出图像。

3.根据权利要求1所述的基于深度学习的水面小目标检测与分类方法，其特征在于：所述的改良的MSPFN去雨雾算法，该方法具体改良了：相对于原始算法，使其粗融合模块中的Conv-LSTM改为结构更简单、参数量更小的Conv-GRU结构；训练批度降低到原始模型的十分之一；训练数据由雨滴图像改为雨线图像。

4.根据权利要求1所述的基于深度学习的水面小目标检测与分类方法，其特征在于：所述的按指定规格重构具体为：采用Labelme对新数据集中的图像标注目标位置与类别信息，形成coco格式样本数据，随后对图像进行重命名和序列化，以a:b:c比例构建训练集、验证集与测试集。

5.根据权利要求1所述的基于深度学习的水面小目标检测与分类方法，其特征在于：所述的IOU阈值界定样本分布是通过使用不同的IOU阈值划分图像正负样本区域，使得每一轮迭代的检测器集中于检测该范围内的候选区域。

6.根据权利要求1所述的基于深度学习的水面小目标检测与分类方法，其特征在于：所述主干特征提取卷积神经网络为ResNeXt-101神经网络。

7.根据权利要求1所述的基于深度学习的水面小目标检测与分类方法，其特征在于：所述特征层融合参照FPN层形式进行融合，具体采用Cascade Rcnn-ResNeXt101-FPN模型参数进行迁移学习，学习率衰减策略方法为：采用小批量梯度下降法进行训练，初始学习率lr为lr₁，最终在p％迭代过程中逐渐降低，0＜p＜100；动量因子和权重衰减因子分别设置为m与n。

8.根据权利要求1所述的基于深度学习的水面小目标检测与分类方法，其特征在于：所述神经网络训练采用RPN学习模型，其中针对场景中待测目标结构特性，将候选框尺度长宽比设置为1:2,1:1,2:1,2.5:1。

9.根据权利要求1所述的基于深度学习的水面小目标检测与分类方法，其特征在于：所述分类器与回归器在Faster-Rcnn算法基础上，采用DIoU损失函数；回归器采用边框回归Softer-NMS算法以进一步纠正模型映射层输出的建议框，分类器采用softmax_Cross_Entropy_Loss损失函数。