[发明专利]一种基于剪枝元学习的小样本SAR图像目标检测方法

说明书

本发明公开了一种基于剪枝元学习的小样本SAR图像目标检测方法，属于雷达技术领域。本发明利用Network Slimming算法对单阶段目标检测器YOLOv5做剪枝处理，再将元学习与剪枝后的轻量化检测器相结合，解决了元训练过程中由于参数繁多造成的过拟合等问题，面对小样本新任务时，能够快速微调网络适应新任务，提高SAR舰船目标检测在同一数据集的准确性和跨数据集的泛化能力。本发明在面对小样本新任务时，能够快速微调网络适应新任务，在新任务上较强的检测能力。同时，剪枝后的网络加入MAML算法，解决了元训练过程中由于参数繁多造成的过拟合等问题。

技术领域

本发明属于雷达技术领域，特别涉及一种基于剪枝元学习的小样本SAR图像目标检测方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar,SAR)是一种主动式微波成像雷达，它具有全天时、全天候的观测能力。随着SAR成像技术的发展，SAR图像检测技术已经广泛应用于军事领域。然而，SAR图像与传统的光学图像有较大的差异，目标特征不明显，目标尺寸小且成像时存在的相干斑、叠掩现象等都会造成对目标的误判、漏判，这使得SAR图像舰船目标检测困难重重。

近年来，随着深度学习的发展，基于卷积神经网络(convolutional neutralnetwork,CNN)的目标检测算法取得了优异的成果，并广泛的应用于遥感图像目标检测领域，克服了传统方法存在的困难。目前基于CNN的目标检测算法可以分为两大类：双阶段目标检测器和单阶段目标检测器。双阶段目标检测算法以Faster R-CNN、Fast R-CNN、MaskR-CNN为代表，双阶段目标检测器较好的检测精度，但获取候选框的阶段耗时耗力导致其检测速度较慢。单阶段目标检测算法以YOLO、SSD为代表，单阶段算法虽然提高了检测速度，但是牺牲了检测精度。为了提高检测精度，单阶段目标检测算法YOLOv3、YOLOv4、YOLOv5相继推出，其中，YOLOv5在小目标检测上取得了较好的效果且速度和精度都有了显著的提高，是目前最先进的目标检测技术之一。

基于深度学习的目标检测算法在检测的准确率和速度上都取得了显著的效果。然而，深度学习方法的特点是需要大量的训练样本作为支撑，但SAR舰船图像采集成本高，采样条件复杂，且标记过程耗时耗力，很难获得大量已标记的SAR舰船样本，样本数量较少，这使得传统的深度学习目标检测算法的效果并不理想。大多数工作主要研究小样本数据的分类任务，小样本目标检测的任务却很少受到关注。与分类任务不同，目标检测主要包含两个子任务：分类和定位。因此将小样本学习集成到目标检测中是一项更具挑战性的任务。

元学习能够利用从少量样本中学习到的元知识作为网络模型的先验以实现对新任务的快速学习，在有效提升训练时间的同时保证一定的算法精度，提高了模型泛化能力。然而传统的以图像检测为代表的网络结构为了应对大量标签任务，往往采取较深的卷积过滤器和网络层数，这样复杂的网络在训练结束后往往参数被固定，而元学习需要在适应新场景时修改网络参数，过多的参数带来了过拟合的风险，也拖慢了适应速度，因此速度与计算空间开销优先的网络便成为优化方向之一。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供一种基于剪枝元学习的小样本SAR图像目标检测方法。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于剪枝元学习的小样本SAR图像目标检测方法，包括以下步骤：

1)构建SAR图像舰船检测的稀疏训练数据集、元训练数据集和元测试数据集；将SAR图像作为样本的输入，SAR图像的舰船目标作为标签；

2)对单阶段目标检测器YOLOv5进行稀疏化训练，之后并做剪枝处理，得到轻量化目标检测器；

3)在所述轻量化检测器的基础上加入MAML算法，得到元学习器，利用所述元训练数据集进行训练，得到训练后的元学习器；