[发明专利]一种端到端的SAR船舶检测方法和系统

说明书

本发明涉及一种端到端的SAR船舶检测方法和系统，方法包括对SAR船舶数据集进行划分；构建改进Transformer的SAR船舶检测网络模型；训练改进Transformer的SAR船舶检测网络模型；将待检测的SAR船舶数据输入至训练后的改进Transformer的SAR船舶检测网络模型，检测出船舶目标。同时，本发明提出了新的稀疏注意力方法，在感知增强Transformer网络中以考虑SAR图像中船舶稀疏的特点。与现有技术相比，本发明可以有效地抑制SAR船舶的散斑噪声，增强船舶在复杂海陆背景下的显著特征，提高SAR船舶检测的性能。

技术领域

本发明涉及SAR船舶目标检测领域，尤其是涉及一种基于改进Transformer的端到端的SAR船舶检测方法和系统。

背景技术

Synthetic Aperture Radar(SAR)是基于合成孔径原理的主动式微波传感器。由于其成像机制，SAR具有远距离观测能力和不受天气光照影响，SAR图像能够比普通的光学图像提供更多的信息。因此，SAR图像目标检测在灾害检测，应急救援，海事监测和海洋救援方面有极大的优势。对SAR图像进行船舶检测可以有效地监视沿海的确的水路运输，港口管理和减少海上交通事故的发生。然而，由于SAR图像中存在复杂环境和多尺度船舶，SAR船舶检测仍然是一个具有挑战的问题。

在SAR船舶检测领域，传统的SAR船舶检测算法(CFAR)算法一般是基于给定的虚警率和杂波分布模型的自适应阈值策略，然而，基于CFAR的检测器高度依赖于预先定义的分布和杂波统计，难以在近海区域正确辨别船舶和处理小尺度船舶。

近年来，基于卷积神经网络(CNN)在目标检测中取得的显著性成功，越来越多的工作围绕基于CNN的SAR船舶检测展开。基于CNN的检测器主要可以划分成两类：基于锚框的方法和基于无锚框的方法。基于CNN的检测器使SAR图像的船舶检测性能得到了明显提升，但由于SAR图像特殊的成像机制以及船舶的多尺度特征，检测器仍存在一些问题：

(1)现有检测算法一般采用预先规定尺寸的锚框，一组固定的锚框不适用于多尺度船舶。(2)SAR图像中的船舶大部分都是稀疏的。现有的检测算法会生成大量重复的候选区域，增大冗余计算量和降低检测速度。(3)在SAR图像中的散斑噪声和复杂的海陆背景干扰。现有检测算法往往无法回归出准确的边界框。

以上这些问题的存在使得SAR舰船检测问题仍然具有挑战性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种端到端的SAR船舶检测方法和系统，解决在散斑噪声和复杂的海陆背景干扰下的多尺度SAR船舶检测问题。

本发明的目的可以通过以下技术方案来实现：

一种端到端的SAR船舶检测方法，包括以下步骤：

S1、获取SAR船舶数据，并划分为训练集和测试集；

S2、构建改进Transformer的SAR船舶检测网络模型，所述改进Transformer的SAR船舶检测网络模型包括CNN网络、感知增强Transformer网络和预测头，其中：

所述CNN网络用于提取SAR图像的像素特征；

所述感知增强Transformer网络用于融合像素特征和对象查询特征，所述对象查询特征通过将长度为N的随机序列输入到嵌入层得到；

所述预测头用于直接预测船舶目标边界框和类别；

S3、通过训练集和测试集对改进Transformer的SAR船舶检测网络模型进行训练；

S4、将待检测的SAR船舶数据输入至训练后的改进Transformer的SAR船舶检测网络模型，检测出船舶目标。

进一步地，步骤S2中，感知增强Transformer网络包括：