[发明专利]候选区快速筛选与尺度自适应的深度网络舰船目标检测方法有效
申请号: | 201810571979.6 | 申请日: | 2018-05-31 |
公开(公告)号: | CN108898065B | 公开(公告)日: | 2021-08-13 |
发明(设计)人: | 侯鑫;李波;赵鹏;韩传钊;俞文勇 | 申请(专利权)人: | 北京航空航天大学;北京市遥感信息研究所 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/62;G06N3/04 |
代理公司: | 北京金恒联合知识产权代理事务所 11324 | 代理人: | 李强 |
地址: | 100191*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明公开了一种候选区快速筛选与尺度自适应的深度网络舰船目标检测方法。该方法首先利用三个尺度的全卷积网络对原始输入图像进行卷积,得到基于概率分布的特征图谱,并对该特征图谱进行坐标映射,获得舰船目标候选区域。然后通过空间金字塔采样SPP操作将不同尺寸的舰船候选区域特征统一成固定长度表达。最后分别通过分类器和回归器进行虚警排除和舰船定位边界框位置校正。与现有方法相比,本方法能够提供对不同尺度舰船检测更高的准确率,以及对舰船位置更精确的定位。 | ||
搜索关键词: | 候选 快速 筛选 尺度 自适应 深度 网络 舰船 目标 检测 方法 | ||
【主权项】:
1.一种候选区快速筛选与尺度自适应的深度网络舰船目标检测方法,其特征在于包括:(1)收集舰船切片数据,构建分类样本库,通过旋转、平移、对称、对比度变换进行样本增广,对正样本根据舰船长度进行分类,分为N组,对负样本进行细分类,将其分为碎云,海浪和陆地三类;(2)根据上述步骤(1)得到分类数据集,按照预定比例α划分训练集和测试集,并依据舰船长度划分三个尺度全卷积网络:FCN_1,FCN_2,FCN_3,分别训练三个尺度分类器:C_1,C_2,C_3;(3)准备舰船检测数据集,其中每张图片包含由手工标注的舰船位置定位边界框信息,按照预定比例β划分训练集和测试集;(4)将上述步骤(2)中得到的所述分类器作为滤波器,分别对上述步骤(3)中所述的舰船检测数据集中的每张图片进行滤波,得到三种尺度的卷积特征图谱,所述卷积特征图谱中的每个点表示原图中一定大小的区域包含舰船的概率,对此概率结果进行二值化获得对应的二值图谱;(5)根据上述步骤(4)中得到的舰船目标二值图谱,通过形态学操作进行膨胀,得到连通区域,然后依据所述全卷积网络的卷积核计算方法,将二值图谱上连通区域的坐标映射回原图,得到舰船目标候选区域;(6)根据上述步骤(5)中得到的舰船目标候选区域,选取全卷积网络中倒数第二个卷积层的特征作为该舰船目标候选区域的特征表示,然后通过空间金字塔采样SPP操作,得到固定长度的特征向量;(7)将上述步骤(3)中训练集图片和对应图片中手工标注的舰船位置定位边界框信息以及对应图片经过上述步骤(6)得到的舰船目标候选区域对应的特征向量作为多任务学习的输入,分别进行虚警排除和舰船目标精定位;将上述步骤(5)得到的每个舰船目标候选区域和上述步骤(3)得到的舰船目标定位边界框信息进行比较,如果两个区域的交叉面积与两个区域的面积并集的比值IoU大于阈值T1,则将该舰船目标候选区域作为正样本,并对其进行边界框回归,如果两个区域的交叉面积与两个区域的面积并集的比值IoU小于阈值T2,则将该区域作为负样本,且不进行回归,经过训练得到检测模型;(8)根据上述步骤(7)中得到所述检测模型,将上述步骤(3)中测试集图片以及对应图片在上述步骤(5)中提取的舰船目标候选区域对应的特征向量和定位信息作为上述检测模型的输入,得到相应候选区域分类和定位修正结果,根据舰船样本分类结果以及舰船位置的定位修正结果,将其绘制在上述步骤(3)中的测试集图片上,作为最终的检测结果。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京航空航天大学;北京市遥感信息研究所,未经北京航空航天大学;北京市遥感信息研究所许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201810571979.6/,转载请声明来源钻瓜专利网。