[发明专利]一种基于全空间编码注意力模块的SAR图像目标检测方法

说明书

本发明公开了一种基于全空间编码注意力模块的SAR图像目标检测方法，以提高目标检测网络在SAR图像上的检测性能，如下：(1)本方法利用SAR图像噪声较多的特性，设计了全空间编码注意力模块来缓解噪声的干扰，在全空间维度进行注意力提取，有效减少信息损失，提高了模型的特征提取能力；(2)本方法引入了可变形卷积，增加了可学习的偏移量，降低模型对于旋转、尺寸的敏感度，提高了模型的检测效果；(3)检测头部分使用了双头检测网络，使得回归任务和分类任务分开解耦，能够提高网络的检测效果；本发明能够有效的提高网络对SAR图像中近海、远海以及陆地上目标的检测性能和效果。

技术领域

本发明涉及一种基于全空间编码注意力模块的SAR图像目标检测方法，属于航空航天与计算机视觉信息处理交叉领域。

背景技术

合成孔径雷达SAR(Synthetic Aperture Radar)是一种使用主动微波的探测手法，其成像具有全天时、全天候、分辨率高的特点。由于其不受光照和气象条件的限制，被大量运用在军事探测、海洋资源监测、地理环境探测等领域中，目前已经成为了人们对地观测的重要手段，但是如何自动化地对SAR图像进行目标识别和检测仍然是一个重点。因为与普通光学成像相比，相干斑噪声使得SAR成像得到的结果看起来比较杂乱，噪声较多，使得目标物体的特征不那么明显，难以用肉眼判别目标类型。好在随着卫星技术的成熟和发展，有了越来越多的海面和陆地SAR目标检测数据集，能够为深度学习提供数据支持。

SAR图像目标检测之前以传统算法为主，传统的算法往往基于先验知识，所以其应用场景较窄。传统算法首先要手工对图像进行特征提取，并用数学模型表示此特征。常用的SAR图像的传统检测方法有恒定虚警概率下的检测器(CFAR)和手工特征提取，前者需要构建复杂的统计模型，计算量较大，后者只能应用于特定的场景，其泛化性较差，比较成功的应用有利用油罐圆形的形状特征，使用霍夫变换的圆检测实现对油罐目标的检测。

随着深度学习的不断突破和计算硬件的迭代进步，深度学习算法在SAR图像上的目标检测也逐步的得到了应用。深度学习算法在SAR图像目标检测时无需进行场景区分，能够自适应不同的场景，同时还能够做到高精度和低延时性。CNN网络在特征提取方面具有非常大的优势，不再依赖于手工特征提取，可以通过自主“学习”，自动提取出目标所具有的特征，具有非常好的泛化性。基于双阶段的Faster RCNN检测网络在SSDD舰船数据集上可以达到79％的精度；基于单阶段的YOLO系列目标检测网络在SAR图像目标检测具有更快的速度；基于无锚框设计的FCOS网络在目标检测的定位精度上更进一步。

传统算法利用手工提取得到的特征只能检测具有简单形状的物体，并且精度不高，对于一般的深度学习算法而言，SAR图像的成像由于受到相干斑噪声的影响，得到的图像噪声较多，对目标的影响较大，所以得到的检测效果一般。最近兴起的注意力机制可以使得神经网络在提取特征的时候有所侧重，减小相干斑噪声的影响，将网络的注意力放在目标物体上，更加有针对性的进行特征提取，以此提高网络的性能。因此本发明结合神经网络的特点和SAR图像的特点，根据SAR图像的特点对神经网络的结构进行修改，从而提出一种用于SAR图像的基于注意力机制的单阶段无锚框卷积神经网络目标检测方法。

发明内容

本发明技术解决的问题：克服SAR图像成像质量和噪声的影响，提供一种基于全空间编码注意力模块的SAR图像目标检测方法，对陆地SAR图像中的目标，具有检测准确度高，抗干扰能力强的优点。

一般的非局部注意模块的不但计算量大，而且对于噪声滤除效果一般，难以使用到噪声较多的SAR图像的检测中。而局部注意力模块则存在信息丢失的问题，如SE注意力机制将二维的特征图信息压缩到一个一维空间上，丢失了特征图中绝大多数的位置相关的信息。