[发明专利]一种基于多尺度融合策略的舰船目标检测方法

摘要

本发明公开了一种基于多尺度融合策略的舰船目标检测方法，包括以下步骤：步骤S1：准备用于训练特征提取网络模型和目标检测网络模型的数据集；步骤S2：结合多尺度特征融合的概念，设计并得到一种优化的特征提取网络；步骤S3：将步骤S2得到的特征提取网络模型移植到目标检测网络RFCN中，得到基于多尺度特征融合的MFF‑RFCN；步骤S4：基于步骤S1中自建舰船目标检测数据集Dataset‑detection，训练得到能更好应用于舰船目标检测的网络模型。采用本发明的技术方案，将高层特征图和低层特征图进行融合，将语义信息与位置信息整合起来，可以在资源不受限的使用场景下，进一步提升网络的特征提取能力，具有检测精度高，涵盖尺度广等优点。

主权项

1.一种基于多尺度融合策略的舰船目标检测方法，其特征在于，包括以下步骤：步骤S1：采集用于训练特征提取网络模型和目标检测网络模型的数据集；步骤S2：结合多尺度特征融合设计并得到一种优化的特征提取网络；步骤S3：将步骤S2得到的特征提取网络模型移植到目标检测网络RFCN中，得到基于多尺度特征融合的MFF‑RFCN；步骤S4：基于步骤S1中自建舰船目标检测数据集Dataset‑detection，训练得到能更好应用于舰船目标检测的网络模型；其中，所述步骤S1进一步包括：步骤S11：利用公有数据集ImageNet中海洋环境相关的目标类别，结合已有的海洋环境视频图像数据，建立相关分类数据集Dataset‑classification，用于训练特征提取网络；步骤S12：基于海上真实环境拍摄的视频图像，标注建立了面向舰船目标的检测数据集Dataset‑detection，用于训练目标检测网络；其中，步骤S2进一步包括：步骤S21：结合多尺度特征融合的概念，构建反向逐级融合特征图的结构；其中，步骤S21进一步包括：步骤S211：对原网络最右层特征图进行上采样，将尺寸扩大2倍至左侧邻近特征图相同大小；步骤S212：用1×1大小的卷积核将左侧邻近特征图调整为与步骤S211中特征图相同通道数；步骤S213：将得到的两层特征图进行相加并用3×3的卷积去除上采样过程中带来的混叠效应，最后迭代向左计算得到所需的4级融合特征图(f₁,f₂,f₃,f₄)；步骤S22：将S21设计得到的基于多尺度融合的特征提取网络在步骤S11建立的海洋环境相关目标分类数据集Dataset‑classification上进行训练，得到特征提取网络模型；其中，步骤S3进一步包括：步骤S31：将步骤S21生成的4级融合特征图输入RPN网络生成感兴趣区域候选框；步骤S32：输入RPN网络生成的对应候选框，结合共享特征图f₁，生成位置敏感得分图，用来准备后续分类和位置回归操作。