1.基于多尺度特征提取与FRFT卷积的SAR船舰检测方法,其特征在于,包括如下步骤:
步骤1,获取SAR船舰图像数据集,对数据集进行预处理后,划分为训练集、验证集和测试集;
步骤2,构建基于多尺度特征提取与分数阶傅里叶变换卷积的SAR船舰检测网络模型,所述SAR船舰检测网络模型包括输入端、主干网络、颈部网络以及探测头部分;
所述步骤2中,主干网络包括依次连接的第一CBS模块、第二CBS模块、第三CBS模块、第四CBS模块、第一多级残差模块、第一下采样模块、第二多级残差模块、第二下采样模块、第三多级残差模块、第三下采样模块以及第四多级残差模块;其中,第一至第四多级残差模块的结构相同,均是由常规卷积、部分卷积、深度可分离卷积、批归一化及ReLU激活函数组成的阶梯式残差结构,常规卷积的卷积核大小为1,深度可分离卷积的卷积核大小为3;各多级残差模块的内部计算如下:,
其中,PConv表示部分卷积,conv表示常规卷积,DWConv表示深度可分离卷积,BN表示批归一化,ReLU表示ReLU激活函数,Concat表示连接操作,x表示各多级残差模块的输入,和均表示节点的输出,和均表示节点的输出;经一个CBS模块,得到各多级残差模块的输出,CBS模块的卷积层的卷积核大小为1;
颈部网络包括SPPCSPC模块、第一至第四ACAM模块、第八至第十一CBS模块以及第四至第五下采样模块;第一至第四ACAM模块的结构相同,均包括通道多尺度注意力模块以及第十二至第十八CBS模块,第十二、第十七和第十八CBS模块中卷积层的卷积核大小均为1,第十三至第十六CBS模块中卷积层的卷积核大小均为3;
步骤3,利用训练集对步骤2构建的SAR船舰检测网络模型进行训练,计算损失函数并进行反向传播,更新网络参数,获取最佳参数网络模型,即训练好的SAR船舰检测网络模型,并利用验证集进行验证;
步骤4,将测试集输入到训练好的SAR船舰检测网络模型中,输出船舰检测结果。
2.根据权利要求1所述的基于多尺度特征提取与FRFT卷积的SAR船舰检测方法,其特征在于,所述步骤1的具体过程如下:
获取SAR船舰图像数据集SSDD和HRSID,以及对应的船舰位置标签,将数据集中的图像尺寸统一为640×640大小,将尺寸统一后的数据集按7:2:1的比例划分为训练集、验证集和测试集。
3.根据权利要求1所述的基于多尺度特征提取与FRFT卷积的SAR船舰检测方法,其特征在于,第一至第四CBS模块均由卷积层、批归一化层和SiLU激活函数构成;且第一和第三CBS模块中的卷积层的卷积核大小均为3,步长均为1;第二和第四CBS模块中的卷积层的卷积核大小均为3,步长均为2;
第一至第三下采样模块的结构相同,均包括最大池化层以及第五至第七CBS模块;每个下采样模块的输入依次经最大池化层和第五CBS模块后,得到第五CBS模块的输出,每个下采样模块的输入依次经第六CBS模块和第七CBS模块后,得到第七CBS模块的输出,对第五CBS模块的输出和第七CBS模块的输出进行连接操作,得到每个下采样模块的输出;第五和第六CBS模块中卷积层的卷积核大小均为1,第七CBS模块中卷积层的卷积核大小为3。
4.根据权利要求1所述的基于多尺度特征提取与FRFT卷积的SAR船舰检测方法,其特征在于,步骤2所述颈部网络中,第四多级残差模块的输出依次经SPPCSPC模块和第八CBS模块后,得到第八CBS模块的输出;第三多级残差模块的输出经第九CBS模块后,得到第九CBS模块的输出;第八CBS模块的输出经上采样操作后与第九CBS模块的输出进行融合,得到第一融合结果;第一融合结果依次经第一ACAM模块和第十CBS模块后,得到第十CBS模块的输出;第二多级残差模块的输出经第十一CBS模块后,得到第十一CBS模块的输出;第十CBS模块的输出经上采样操作后与第十一CBS模块的输出进行融合,得到第二融合结果;第二融合结果依次经第二ACAM模块和第四下采样模块后与第一ACAM模块的输出进行融合,得到第三融合结果;第三融合结果依次经第三ACAM模块和第五下采样模块后与SPPCSPC模块的输出融合,得到第四融合结果;第二ACAM模块的输出作为颈部网络的第一输出,第三ACAM模块的输出作为颈部网络的第二输出,第四融合结果经第四ACAM模块后作为颈部网络的第三输出。
5.根据权利要求4所述的基于多尺度特征提取与FRFT卷积的SAR船舰检测方法,其特征在于,每个ACAM模块的输入依次经第十二CBS模块、第十三CBS模块、第十四CBS模块、第十五CBS模块、第十六CBS模块和通道多尺度注意力模块后,得到通道多尺度注意力模块的输出;每个ACAM模块的输入经第十七CBS模块,得到第十七CBS模块的输出;第十七CBS模块的输出与通道多尺度注意力模块的输出、第十三CBS模块的输出、第十四CBS模块的输出以及第十六CBS模块的输出进行融合,融合结果经第十八CBS模块后,得到每个ACAM模块的输出;
所述通道多尺度注意力模块分为两个阶段,第一阶段中,通道多尺度注意力模块的输入分别经自适应最大池化和自适应平均池化,自适应最大池化和自适应平均池化的输出进入多层感知器,对多层感知器的输出进行融合后经过Sigmoid激活函数,将Sigmoid激活函数的输出与通道多尺度注意力模块的输入相乘,得到第一阶段的输出;
第一阶段的输出经第一深度卷积,第一深度卷积的输出依次经第二和第三深度卷积,得到第三深度卷积的输出,第一深度卷积的输出依次经第四和第五深度卷积,得到第五深度卷积的输出,第一深度卷积的输出依次经第六和第七深度卷积,得到第七深度卷积的输出,第三深度卷积的输出与第五深度卷积的输出和第七深度卷积的输出进行融合后,再经卷积层,卷积层的输出与第一阶段的输出相乘,得到第二阶段的输出,即通道多尺度注意力模块的输出。
6.根据权利要求4所述的基于多尺度特征提取与FRFT卷积的SAR船舰检测方法,其特征在于,所述SPPCSPC模块包括第十九至第二十五CBS模块及第一至第三最大池化层,第十九、第二十一、第二十二、第二十四和第二十五CBS模块中卷积层的卷积核大小均为1,第二十和第二十三CBS模块中卷积层的卷积核大小均为3,第一至第三最大池化层的卷积核大小分别为5、9和12;
SPPCSPC模块的输入依次经第十九CBS模块、第二十CBS模块和第二十一CBS模块,得到第二十一CBS模块的输出;第二十一CBS模块的输出分别经第一最大池化层、第二最大池化层和第三最大池化层,第二十一CBS模块的输出与第一最大池化层的输出、第二最大池化层的输出以及第三最大池化层的输出进行融合后,依次经第二十二CBS模块和第二十三CBS模块,得到第二十三CBS模块的输出;SPPCSPC模块的输入经第二十四CBS模块后,再与第二十三CBS模块的输出融合,融合结果经第二十五CBS模块,得到SPPCSPC模块的输出。
7.根据权利要求4所述的基于多尺度特征提取与FRFT卷积的SAR船舰检测方法,其特征在于,所述探测头部分包括第一至第三分数阶傅里叶变换卷积模块、第一至第三RepConv模块以及第一至第三探测头;颈部网络的第一输出依次经第一分数阶傅里叶变换卷积模块、第一RepConv模块和第一探测头,进行大尺度预测;颈部网络的第二输出依次经第二分数阶傅里叶变换卷积模块、第二RepConv模块和第二探测头,进行中尺度预测;颈部网络的第三输出依次经第三分数阶傅里叶变换卷积模块、第三RepConv模块和第三探测头,进行小尺度预测。
8.根据权利要求7所述的基于多尺度特征提取与FRFT卷积的SAR船舰检测方法,其特征在于,第一至第三分数阶傅里叶变换卷积模块的结构相同,各分数阶傅里叶变换卷积模块的输入首先通过卷积核大小为1的卷积层后,被平均分割成四部分,每部分传递给不同的Fn模块,n=1,2,3,4,四个Fn模块以不同的频率进行处理,得到不同频率的特征图,将四个Fn模块得到的不同频率的特征图进行融合,得到融合后的特征图;各分数阶傅里叶变换卷积模块的输入再经卷积核大小为1的卷积层后,与融合后的特征图以及分数阶傅里叶变换卷积模块的输入进行融合,得到各分数阶傅里叶变换卷积模块的输出;
在Fn模块中,采用梯度下降算法对学习张量t进行更新,通过高斯正则分布操作后,将t作为分数阶傅里叶滤波器的输入,分数阶傅里叶滤波器的输出如下:
,
其中,表示滤波器分量,分别表示X、Y方向的滤波器分量,f为频率参数,p为分数次阶数,x、y分别为对滤波器的输入进行分解生成的X方向、Y方向的2D网格坐标矩阵中的元素。
9.一种计算机设备,包括存储器、处理器,以及存储在所述存储器中并能够在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的基于多尺度特征提取与FRFT卷积的SAR船舰检测方法的步骤。