1.基于WSSRNet的SAR图像船舰小目标检测方法,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,按照设定的比例划分为训练集、验证集和测试集;
步骤2,搭建基于WSSRNet的SAR图像船舰检测网络,包括主干网络、颈部网络和检测层;其中,
主干网络包括第一至第五卷积模块、第一至第四多尺度小波卷积残差模块以及快速空间金字塔池化模块;主干网络输入的SAR船舰图像依次经第一卷积模块、第二卷积模块和第一多尺度小波卷积残差模块进行特征提取,得到特征图C2;C2依次经第三卷积模块和第二多尺度小波卷积残差模块进行特征提取,得到特征图C3;C3依次经第四卷积模块和第三多尺度小波卷积残差模块进行特征提取,得到特征图C4;C4依次经第五卷积模块、第四多尺度小波卷积残差模块和快速空间金字塔池化模块进行特征提取,得到特征图C5;
其中,第一和第四多尺度小波卷积残差模块的结构相同,均包括第八至第十卷积模块、第一小波变换卷积模块以及第一至第二瓶颈模块;
第一或第四多尺度小波卷积残差模块的输入经第八卷积模块后,被均匀分割为四个特征子集,第二特征子集依次经第一小波变换卷积模块和第九卷积模块,得到第九卷积模块的输出;第九卷积模块的输出与第三特征子集逐元素相加后,作为第一瓶颈模块的输入;第一瓶颈模块的输出与第四特征子集逐元素相加后,作为第二瓶颈模块的输入;第二瓶颈模块的输出与第一瓶颈模块的输出、第九卷积模块的输出以及第一特征子集进行通道拼接后,作为第十卷积模块的输入;第十卷积模块的输出与第一或第四多尺度小波卷积残差模块的输入进行通道拼接后,得到第一或第四多尺度小波卷积残差模块的输出;
第二和第三多尺度小波卷积残差模块的结构相同,均包括第八至第十卷积模块、第一小波变换卷积模块以及第一至第六瓶颈模块;
第二或第三多尺度小波卷积残差模块的输入经第八卷积模块后,被均匀分割为四个特征子集,第二特征子集依次经第一小波变换卷积模块和第九卷积模块,得到第九卷积模块的输出;第九卷积模块的输出与第三特征子集逐元素相加后,作为第一瓶颈模块的输入;第一瓶颈模块的输出依次经第三瓶颈模块和第四瓶颈模块,得到第四瓶颈模块的输出;第四瓶颈模块的输出与第四特征子集逐元素相加后,作为第二瓶颈模块的输入;第二瓶颈模块的输出依次经第五瓶颈模块和第六瓶颈模块,得到第六瓶颈模块的输出;第六瓶颈模块的输出与第四瓶颈模块的输出、第九卷积模块的输出以及第一特征子集进行通道拼接后,作为第十卷积模块的输入;第十卷积模块的输出与第二或第三多尺度小波卷积残差模块的输入进行通道拼接后,得到第二或第三多尺度小波卷积残差模块的输出;
颈部网络包括第六至第七卷积模块、第一至第五跨阶段部分融合模块以及第一至第三上采样模块;利用第一上采样模块对C5进行上采样,上采样结果与C4进行通道拼接,拼接结果经第一跨阶段部分融合模块进行特征融合,得到特征图F0;利用第二上采样模块对F0进行上采样,上采样结果与C3进行通道拼接,拼接结果经第二跨阶段部分融合模块进行特征融合,得到特征图F1;利用第三上采样模块对F1进行上采样,上采样结果与C2进行通道拼接,拼接结果经第三跨阶段部分融合模块进行特征融合,得到特征图P2;P2经第六卷积模块提取特征后,再与F1以及第三卷积模块的输出进行通道拼接,拼接结果经第四跨阶段部分融合模块进行特征融合,得到特征图P3;P3经第七卷积模块提取特征后,再与F0以及第四卷积模块的输出进行通道拼接,拼接结果经第五跨阶段部分融合模块进行特征融合,得到特征图P4;
检测层包括第一至第三检测头,第三跨阶段部分融合模块输出的特征图P2作为第一检测头的输入,用于检测小尺度船舰目标;第四跨阶段部分融合模块输出的特征图P3作为第二检测头的输入,用于检测中尺度船舰目标;第五跨阶段部分融合模块输出的特征图P4作为第三检测头的输入,用于检测大尺度船舰目标;
步骤3,将训练集和验证集输入到步骤2搭建的基于WSSRNet的SAR图像船舰检测网络中进行训练和验证,计算损失函数并进行反向传播,更新网络参数,得到训练好的最佳参数网络;
步骤4,将测试集输入到训练好的最佳参数网络中,输出SAR船舰图像的船舰检测图。
2.根据权利要求1所述的基于WSSRNet的SAR图像船舰小目标检测方法,其特征在于,所述步骤1的具体过程如下:
获取HRSID船舰图像数据集,包括远洋、近海、沿海港口、不同海况条件的5604张大小为800×800像素的SAR图像,共有舰船目标16951个,其中小型、中型和大型船舰目标的数量分别占总数的54.5%、43.5%和2%;
将HRSID船舰图像数据集中的影像原图与对应的标签图按顺序同时裁剪为大小为640×640像素的图像;
将经裁剪得到的HRSID船舰图像数据集按照7:2:1的比例随机划分成训练集、验证集和测试集。
3.根据权利要求1所述的基于WSSRNet的SAR图像船舰小目标检测方法,其特征在于,第一至第六瓶颈模块的结构相同,均包括第二小波变换卷积模块和第十一卷积模块,各瓶颈模块的输入依次经第二小波变换卷积模块和第十一卷积模块,得到第十一卷积模块的输出;第十一卷积模块的输出与各瓶颈模块的输入进行通道拼接,得到各瓶颈模块的输出;
第八至第十一卷积模块的卷积核大小均为1×1,第一和第二小波变换卷积模块的卷积核大小均为3×3。
4.根据权利要求1所述的基于WSSRNet的SAR图像船舰小目标检测方法,其特征在于,所述快速空间金字塔池化模块包括第十二至第十三卷积模块以及第一至第三最大池化层,快速空间金字塔池化模块的输入依次经第十二卷积模块、第一最大池化层、第二最大池化层和第三最大池化层后,得到第三最大池化层的输出,第三最大池化层的输出与第一最大池化层的输出和第二最大池化层的输出进行通道拼接后,再进入第十三卷积模块,第十三卷积模块的输出即为快速空间金字塔池化模块的输出。
5.根据权利要求1所述的基于WSSRNet的SAR图像船舰小目标检测方法,其特征在于,所述步骤3中,损失函数采用Inner-ShapeIoU损失函数,将ShapeIoU与Inner-IoU相结合,将动态辅助框机制嵌入到边框的几何特征的加权损失中,生成辅助框的公式如下:union=(wgt·hgt)·(ratio)2+(w·h)·(ratio)2-inter
其中,和分别表示真实框中心点在x、y轴的值,ωgt和hgt分别表示真实框的宽度和高度,分别表示真实框的动态辅助框左、右、上、下边界坐标,xc和yc分别表示预测框中心点在x、y轴的值,ω和h表示预测框的宽度和高度,bl、br、bt、bb分别表示预测框的动态辅助框左、右、上、下边界坐标,ratio为尺度因子,用于控制动态辅助框的尺度大小来调整回归梯度的敏感度;IoUinner表示预测框和真实框的交并比;
基于真实框的宽高比计算形状权重,约束中心点偏移和尺寸差异,并最终获取边框的回归损失,实现公式如下:
LInner-ShapeIoU=1-IoUinner+distanceshape+0.5×Ωshape
其中,ww和hh均为形状权重,scale为缩放因子,distanceshape表示形状距离损失,Ωshape表示形状相似度损失,c表示覆盖预测框和真实框的最小封闭框的对角线长度,LInner-ShapeIoU表示Inner-ShapeIoU损失,ωw表示基于形状权重hh计算的关于预测框和真实框宽度差异的加权项,ωh表示基于形状权重ww计算的关于预测框和真实框高度差异的加权项。
6.一种计算机设备,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5任一项所述的基于WSSRNet的SAR图像船舰小目标检测方法的步骤。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于WSSRNet的SAR图像船舰小目标检测方法的步骤。