1.一种SAR舰船目标旋转检测方法,其特征在于,包括以下步骤:获取待检测的SAR图像,并利用ResNet50网络作为骨干网络提取SAR图像中的待检测目标的浅层特征、深层特征;
构建FAM模块,其为改进后的FPN网络模块,其将所提取的浅层特征、深层特征进行通道压缩后,再利用双线性插值采样调节特征大小,实现将所提取的浅层特征、深层特征通过语义流的方式进行特征对准相加,并构建特征图;
利用所述FAM模块将所提取的浅层特征、深层特征进行通道压缩后,再利用双线性插值采样调节特征大小,实现将所提取的浅层特征、深层特征通过语义流的方式进行特征对准相加,并构建特征图,包括以下步骤:利用两个1×1的卷积,将浅层特征、深层特征压缩至相同的通道数,并利用双线性插值采样调节深层特征的大小,使深层特征与浅层特征大小相同,再利用concate操作将浅层特征、深层特征拼接,通过一个3*3的卷积将拼接后的特征映射到通道数为2的特征,该过程通过下述公式描述:Δl‑1=convl(cat(Fl,Fl‑1)) (1)其中,Fl‑1表示骨干网络输出的前级特征;
Fl表示骨干输出的前级特征的后一级特征;
Δl‑1表示浅层特征,
cat(·)表示拼接操作;convl(·)表示第l级的卷积操作;
利用两个linspace函数生成和Δl‑1浅层特征分辨率大小相同的变形网格warped grid,Δl‑1浅层特征每个空间位置上的点pl‑1和变形网格warped grid通过加法操作被映射到深层特征上的一个点pl;
其中warped grid和深层特征的偏移量的关系为:其中,Pl‑1表示代表浅层特征上的一个点;
Pl表示深层特征上的一个点;
根据浅层特征及变形网格warped grid,采用可微双线性采样机制确定特征图的大小,当输入的浅层特征的特征大小为(N,C,H,W),变形网格warped grid的大小为(N,H,W,2),则所输出的特征图的大小为(N,C,H,W),输出特征图上每一个单元格上的值由变形网格warped grid的最后一维(x,y)确定;
利用(x,y)找到输入特征图上的采样位置,x、y取值范围为[‑1,1],通过(w‑1)*(x+1)/
2、(h‑1)*(y+1)/2将x、y映射为输入特征图的具体坐标位置;
将x、y映射到特征图实际坐标后,取该坐标附近四个角点特征值,通过四个特征值坐标与采样点坐标相对关系进行双线性插值,得到采样点的值,其利用数学公式描述为:其中,N(pl)表示Fl中的warped点pl的临近点;
wp表示变形网格warped grid距离估计的双线性核权值;
在SAR图像中标注待检测目标的真值框,并以特征图上的每个点映射到图片的中心点为中心生成多尺度水平锚框;
将真值框以及各个锚框分别模拟生成高斯分布,分别计算各个锚框的高斯分布与真值框的高斯分布之间的库尔勒贝克莱布勒距离并进行排序,将排名靠前的多个锚框作为正样本匹配给真值框;
采用中点平移表示法将多个作为正样本的锚框回归,生成旋转目标Proposal;
构建自适应边界增强模块,其包括自适应平均池化、两个卷积层、tanh非线性激活函数、注意力机制;将旋转目标Proposal输入到自适应边界增强模块后得到边界增强特征;
对边界增强特征进行解耦处理后,利用全连接层预测分类目标,并利用卷积层预测SAR图像中的目标的中心点坐标、长度、角度,实现对SAR图像中的目标进行回归检测。
2.根据权利要求1所述的一种SAR舰船目标旋转检测方法,其特征在于:所述将真值框以及各个锚框分别模拟生成高斯分布,分别计算各个锚框的高斯分布与真值框的高斯分布之间的库尔勒贝克莱布勒距离,包括:设锚框的水平边界框为(xa,ya,wa,ha),将其模拟生成的二维高斯分布为na=Ν(μa,∑a),真值框的水平边界框为(xg,yg,wg,hg),将其模拟成的二维高斯分布为ng=Ν(μg,∑g);
其中(xa,ya)表示锚框的中心坐标,wa,ha分别锚框的宽、高;
(xg,yg)表示真值框的中心坐标,wg,hg分别真值框的宽、高;
其中,
计算na和ng之间的库尔勒贝克莱布勒距离KLD如下:
将公式(6)进一步简化,得到:
其中tr(·)表示行列式中的求迹操作。
3.根据权利要求1所述的一种SAR舰船目标旋转检测方法,其特征在于:所述将旋转目标Proposal输入到自适应边界增强模块后得到边界增强特征,包括以下步骤:通过旋转滚动RotatedROIAlign将旋转目标Proposal映射到7*7大小,再采用自适应平均池化将旋转目标Proposal中的目标特征映射成1*1大小,再使用两个1*1大小的卷积层和tanh非线性激活函数获取旋转目标Proposal中的目标的显著性特征,使用softmax函数将显著性特征表示映射成大小在[0,1]之间的自适应权值,该过程表示为:
1×1
att=Softmax(conv1×1(tanh(conv1×1(F(x))))),att∈ (8)其中,F(·)表示自适应平均池化操作;
conv1×1(·)表示卷积操作;tanh(·)表示非线性激活函数;
softmax(·)表示非线性激活函数;
将所述两个1*1大小的卷积层的注意力扩展到7*7大小;
利用扩展后的卷积层获取扩展的注意力增强边界特征BA(att),并将注意力增强边界特征BA(att)与旋转目标Proposal的原始特征相乘;
将提取的特征中间的多个像素值置为0,只保留边界信息;
将旋转目标Proposal的原始特征与注意力增强边界特征BA(att)进行加权,得到边界增强特征,如下:xreg=BA(att)*xi+xi (9)
其中,xi为原始区域特征;
相加获得空间感知的自适应表示,用于目标精确的回归预测。
4.一种SAR舰船目标旋转检测系统,其特征在于:包括:特征提取模块,用于获取待检测的SAR图像,并利用ResNet50网络作为骨干网络提取SAR图像中的待检测目标的浅层特征、深层特征;
FAM模块,其为改进后的FPN网络模块,其用于将所提取的浅层特征、深层特征进行通道压缩后,再利用双线性插值采样调节特征大小,实现将所提取的浅层特征、深层特征通过语义流的方式进行特征对准相加,并构建特征图;
利用所述FAM模块将所提取的浅层特征、深层特征进行通道压缩后,再利用双线性插值采样调节特征大小,实现将所提取的浅层特征、深层特征通过语义流的方式进行特征对准相加,并构建特征图,包括以下步骤:利用两个1×1的卷积,将浅层特征、深层特征压缩至相同的通道数,并利用双线性插值采样调节深层特征的大小,使深层特征与浅层特征大小相同,再利用concate操作将浅层特征、深层特征拼接,通过一个3*3的卷积将拼接后的特征映射到通道数为2的特征,该过程通过下述公式描述:Δl‑1=convl(cat(Fl,Fl‑1)) (1)其中,Fl‑1表示骨干网络输出的前级特征;
Fl表示骨干输出的前级特征的后一级特征;
Δl‑1表示浅层特征,
cat(·)表示拼接操作;convl(·)表示第l级的卷积操作;
利用两个linspace函数生成和Δl‑1浅层特征分辨率大小相同的变形网格warped grid,Δl‑1浅层特征每个空间位置上的点pl‑1和变形网格warped grid通过加法操作被映射到深层特征上的一个点pl;
其中warped grid和深层特征的偏移量的关系为:其中,Pl‑1表示代表浅层特征上的一个点;
Pl表示深层特征上的一个点;
根据浅层特征及变形网格warped grid,采用可微双线性采样机制确定特征图的大小,当输入的浅层特征的特征大小为(N,C,H,W),变形网格warped grid的大小为(N,H,W,2),则所输出的特征图的大小为(N,C,H,W),输出特征图上每一个单元格上的值由变形网格warped grid的最后一维(x,y)确定;
利用(x,y)找到输入特征图上的采样位置,x、y取值范围为[‑1,1],通过(w‑1)*(x+1)/
2、(h‑1)*(y+1)/2将x、y映射为输入特征图的具体坐标位置;
将x、y映射到特征图实际坐标后,取该坐标附近四个角点特征值,通过四个特征值坐标与采样点坐标相对关系进行双线性插值,得到采样点的值,其利用数学公式描述为:其中,N(pl)表示Fl中的warped点pl的临近点;
wp表示变形网格warped grid距离估计的双线性核权值;
正标签分配模块,其在SAR图像中标注待检测目标的真值框,并以特征图上的每个点映射到图片的中心点为中心生成多尺度水平锚框;将真值框以及各个锚框分别模拟生成高斯分布,分别计算各个锚框的高斯分布与真值框的高斯分布之间的库尔勒贝克莱布勒距离并进行排序,将排名靠前的多个锚框作为正样本匹配给真值框;
正样本回归处理模块,其采用中点平移表示法将多个作为正样本的锚框回归,生成旋转目标Proposal;
自适应边界增强模块,其包括自适应平均池化、两个卷积层、tanh非线性激活函数、注意力机制;将旋转目标Proposal输入到自适应边界增强模块后得到边界增强特征;
检测结果预测模块,用于对边界增强特征进行解耦处理后,利用全连接层预测分类目标,并利用卷积层预测SAR图像中的目标的中心点坐标、长度、角度,实现对SAR图像中的目标进行回归检测。