[发明专利]融合scSE和Mask R-CNN网络的海洋锋检测方法

说明书

本发明涉及一种融合scSE和Mask R‑CNN网络的海洋锋检测方法，包括：对收集的海洋锋SST影像数据进行数据增强和扩充处理，建立样本数据集；将标注的样本数据集分为训练数据集与测试数据集；选用浅层的Resnet‑50网络提取特征，并将scSE注意力模块嵌入Resnet网络，构建优化的Mask R‑CNN模型；利用训练数据集对优化的Mask R‑CNN模型进行训练；利用测试数据集验证训练后的Mask R‑CNN模型，并计算模型的mAP指标，且与标注的样本数据集进行比较，计算IoU指标。上述融合scSE和Mask R‑CNN网络的海洋锋检测方法，提升网络对图像中重要特征的关注度，增强目标特征的提取，可有效避免经过多次卷积和池化操作后，大量的小目标特征信息易被丢弃，导致检测结果存在较多的错检和漏检的问题。

技术领域

本发明涉及海洋锋检测技术领域，特别是涉及一种融合scSE和Mask R-CNN网络的海洋锋检测方法。

背景技术

随着深度学习在目标识别研究的不断深入，多种融合深度学习的海洋锋检测方法相继被提出。在卷积神经网络(CNN)基础上，提出的Mask R-CNN(Mask Region-Convolutional Neural Network，掩膜卷积神经网络)网络实现了对图像的像素级的实例分割，被广泛用于目标识别领域中。Mask R-CNN是一种典型的二阶段目标检测网络，由Backbone(骨干网络)、RPN(Region proposal network，区域建议网络)、ROIAlign(Regionof Interest Align，目标候选区域)和Classifier(分类模块)四部分组成。Backbone作为Mask R-CNN的骨干网络，由残差网络(Residual network，ResNet)和特征金字塔网络(Feature pyramid network，FPN)组成，用于对输入图像的特征提取；RPN用于生成候选区域(Region proposal)，并对每个特征区域进行类别可能性判断和回归；ROIAlign通过收集图像特征和候选区域特征，作为后续全连接层的输入，而后进行目标类别判定；Classifier通过计算候选区域类别，再次进行框回归，精确定位检测框，并为目标生成掩码。

基于深度学习的目标检测，目标特征的有效表达和提取是提高目标检测的关键。随着SENet(Squeeze and Excitation Net，激励网络)新型网络的提出，SE(Squeeze andExcitation，激励模块)被广泛应用于基于深度学习的目标检测任务，它通过采用一种全新的“特征重标定”策略对每个通道的重要程度进行评估，增强目标特征的提取效果。受SE模块的启发，提出了scSE(spatial and channel SqueezeExcitation，空间注意力模块)注意力机制。scSE注意力模块作为一种突出目标特征和抑制噪声的重要手段，是空间压缩通道激励模块(sSE，Channel Squeeze and Spatial Excitation)和通道压缩空间激励模块(cSE，Spatial Squeeze and Channel Excitation)并行组合。通过计算特征图通道和空间特征的重要性程度，增强网络对特征图中重要通道和空间特征的学习能力，优化目标检测效果。

对于传统的Mask R-CNN网络，Resnet-50(Residual network-50，残差网络-50)与Resnet-101(Residual network-101，残差网络-101)作为其常用的残差网络，其网络的深度对海洋锋检测效果具有很大的影响。深层残差网络在有限的训练数据下容易出现过拟合，目标检测效果差。

充足的训练样本是基于Mask R-CNN网络的海洋锋检测的基础，受海洋气象境及检测设备的限制，准确有用的海洋锋数据较为匮乏，因此构建充足有效的训练数据集成本高、难度大，尤其在海洋锋面的边缘信息多变且不明显的弱海洋锋区域，加剧了数据集构建的难度。海洋锋是海表面温(Sea Surface Temperatures，SST)遥感影像上的小尺度、弱边缘目标检测对象，经过多次卷积和池化操作后，大量的小目标特征信息易被丢弃，导致检测结果存在较多的错检和漏检。