[发明专利]一种高精度的细粒度SAR目标检测方法

说明书

本发明公开了一种高精度的细粒度SAR目标检测方法，包括：并将待检测SAR图像输入到训练后的SAR图像细粒度检测模型中，输出待检测SAR图像中，所有感兴趣目标的坐标位置和所属类别；上述模型的训练方法为：构建全局实例集；将训练数据集作为输入；由模型对训练集中感兴趣目标的坐标位置进行提取，以及识别所提取出来的感兴趣目标的所属类别；将提取和识别的内容组合成模型采集数据集；从全局实例集随机抽取实例，组成抽样数据集；分别对模型采集数据集和抽样数据集中的感兴趣目标编码后，进行全局实例对比；根据对比结果对模型进行优化，直至获得最终的SAR图像细粒度检测模型；通过该方法可以减少对比学习方法中的样本数量。

技术领域

本发明属于计算机视觉与模式识别技术领域，特别是一种高精度的细粒度SAR目标检测方法。

背景技术

合成孔径雷达(Synthetic Aperture Radar，SAR)是一种主动式的对地观测系统，能实现全天时，全天候对地观测，在灾害监测、环境监测、海洋监测、测绘和军事等方面的应用上具有独特的优势，可发挥其他遥感手段难以发挥的作用。目标检测任务为给出图像中所有感兴趣目标的坐标位置并识别目标所属的具体类别，是SAR图像处理的重要基础任务之一。更进一步，细粒度检测要求模型准确地识别出SAR图像中相似但不同类的目标。由于SAR图像中的目标缺乏细节信息，其异类目标的类间差异较小，如何更精确地进行细粒度检测具有理论上的研究价值与实际的应用价值。

目前主流的先进目标检测算法大多更加关注如何准确地定位目标，不能有效地处理检测中的细粒度分类识别问题，会出现定位准确但分类错误的情况。并且，相比于光学图像，SAR图像因其成像方式的特殊性会缺乏细节纹理信息，且容易受到噪声和冗余背景的干扰，这使得一般的检测算法更难在SAR图像中区分容易混淆的异类相似目标。

对比学习有增大类间目标差异，提高类内目标相似度的作用，是增强细粒度分类性能的一种有效方法。然而目前的对比学习技术大多基于图像级分类任务开发，且集中于无监督预训练领域，在监督学习尤其是目标检测任务上的应用较少。同时，一些较成功的对比学习方法需要提取大量的正负样本对进行对比训练，而SAR图像幅面广的特性以及飞机目标分布的稀疏性导致在检测模型的训练中无法一次提取大量的样本。此外，对比学习的关键在于在投影空间拉近相同类别特征向量的距离，同时使得不同类别的特征具有足够的差异性。然而考虑到定位任务对特征的需求，过于追求特征的差异性可能会损害定位的精度。

因此，实现准确的SAR细粒度目标检测需要提出一种实例级的，不需要在一次训练步骤中提取大量样本的对比学习方法，同时还要注意修正其对定位任务精度的影响，而这也成为当前研究的关键问题。

发明内容

鉴于上述问题，本发明提供一种至少解决上述部分技术问题的一种高精度的细粒度SAR目标检测方法，通过该方法可以减少对比学习方法中的样本数量。

本发明实施例提供了一种高精度的细粒度SAR目标检测方法，包括：

获取待检测SAR图像，并将所述待检测SAR图像输入到训练后的SAR图像细粒度检测模型中，输出所述待检测SAR图像中，所有感兴趣目标的坐标位置和所属类别；

其中，所述SAR图像细粒度检测模型的训练方法如下：

S1、基于训练数据集，构建全局实例集；

S2、构建SAR图像细粒度检测模型框架；将所述训练数据集输入至所述SAR图像细粒度检测模型框架中；由所述SAR图像细粒度检测模型框架对所述训练集中感兴趣目标的坐标位置进行提取，以及识别所提取出来的感兴趣目标的所属类别；将提取和识别的内容组合成模型采集数据集；

S3、从全局实例集随机抽取实例，组成抽样数据集；

S4、分别对模型采集数据集和抽样数据集中的感兴趣目标编码后，进行全局实例对比；