1.一种基于YOLOV4‑Tiny的SAR图像舰船小目标检测方法,其特征在于:Step1:增加8倍下采样特征图来增强对小目标特征的提取能力;
Step2:借鉴Inception和SPP网络设计出新的特征提取模块Module来获取更高级的语义信息且提高浅层网络的感受野;
Step3:引入SE通道注意力机制来增强重要特征,提高网络的鲁棒性;
Step4:通过对比实验选出SE通道注意力机制最合适的参数。
2.根据权利要求1所述的基于YOLOV4‑Tiny的SAR图像舰船小目标检测方法,其特征在于,所述Step1具体为:输入一张大小为416×416的SAR舰船图像,在骨干网络对图像进行第三次下采样后,将
52×52大小的特征图进行输出,相关计算公式为:
式中,n表示输入特征图的大小,f表示进行卷积操作卷积核的大小,p表示进行卷积操作时对图像周围填充的大小,s表示卷积核每次移动的距离,Floor表示向下取整,O表示输出特征图的大小。
3.根据权利要求1所述的基于YOLOV4‑Tiny的SAR图像舰船小目标检测方法,其特征在于,所述Step2具体为:对于输入进来的特征,分为左右两个部分,左边部分使用1×1卷积进一步整合特征信息,右边部分首先使用1×1卷积缩减通道,接着分别送入三个分支,5×5和
7×7的池化核能够有效扩大网络的感受野,并且3×3的卷积也能够进一步提取更深层的语义信息,最后将这些特征进行融合。
4.根据权利要求1所述的基于YOLOV4‑Tiny的SAR图像舰船小目标检测方法,其特征在于,所述Step3具体为:Step3.1:对于输入进来的特征图,首先压缩操作Fsq,用来对输入特征h×w×c进行GAP操作得到1×1×c向量,相关计算公式为:式中,h,w分别表示输入特征的高和宽,i,j表示输入特征中某通道像素点的坐标,uc表示该像素点的值;
Step3.2:激励操作Fex,通过两次全连接和一次非线性激活操作来考虑所有通道间的信息并增强网络表达能力,再通过一次Sigmoid操作输出1×1×c的权重向量,相关计算公式为:Fex=σ(W2δ(W1Fsq)) (3)
式中,Fsq表示压缩之后的向量,W1,W2分别表示两次全连接操作的权重参数,δ表示激活函数,σ表示Sigmoid操作。
Step3.3:Fscale操作,将输入为h×w×c的特征与1×1×c权重向量相乘,进行输入特征通道重要程度的标定。
5.根据权利要求1所述的基于YOLOV4‑Tiny的SAR图像舰船小目标检测方法,其特征在于,所述Step4具体为:通过设置三组对比试验来选择出最适合SAR图像舰船小目标检测的参数。