1.一种合成孔径雷达图像目标检测方法,其特征在于,包括以下步骤:S1:输入SAR图像;
S2:构建特征分离模块,将输入的SAR图像通过特征分离模块进行处理,抑制噪声干扰并增强图像特征表达;
S3:选择多尺度特征提取网络,将经过特征分离模块处理后的图像输入多尺度特征提取网络中进行特征提取;
S4:构建自适应特征聚合网络,将特征提取网络得到的特征图输入自适应特征聚合网络,通过特殊的双分支结构与动态权重融合生成增强后的语义特征图;
S5:自适应特征聚合网络输出的特征图将被送入由卷积层构成的分类检测器,得到目标检测结果;
S6:采用回归损失函数,结合分类损失函数与置信度损失函数,通过反向传播算法优化模型参数。
2.根据权利要求1所述的一种合成孔径雷达图像目标检测方法,其特征在于,所述特征分离模块的计算方法如下:;
其中,,表示输入图像,表示对进行通道维度扩展后得到的特征图,表示对进行通道加权后得到的特征图,表示特征分离模块的输出,表示形态学腐蚀操作,表示卷积,表示全局平均池化,表示全连接层,表示按通道维度相乘;
;
其中,表示该模块的激活函数,表示输入特征中某一通道、某一空间位置的值,经过函数映射后该位置对应的输出值。
3.根据权利要求1所述的一种合成孔径雷达图像目标检测方法,其特征在于,所述多尺度特征提取网络的计算方法如下:;
;
其中,表示特征提取网络输出的第层特征图,表示模块的输入,与分别表示卷积核为的卷积与的卷积,表示非线性激活函数,表示批归一化函数;
;
其中,表示核的大小为3的最大池化,表示将输入在通道维度上进行拼接。
4.根据权利要求1所述的一种合成孔径雷达图像目标检测方法,其特征在于,所述自适应特征聚合网络的过程,计算方法如下:;
其中,、和分别代表自适应特征聚合网络中不同输出分辨率的聚合模块的输出,分别为小、中、大三种分辨率增强后的语义特征图,到、到和到分别表示不同聚合模块中加权系数,表示一种特殊的双分支结构,表示将特征图上采样到与输出特征图同样大小。
5.根据权利要求1所述的一种合成孔径雷达图像目标检测方法,其特征在于,所述特殊的双分支结构的具体组成,包括:;
其中,表示定位分支,表示下采样分支,表示输入的特征图,表示取均值,表示激活函数,即函数,表示双分支结构,且使用次卷积下采样,与对应,表示使用卷积进行次下采样;表示将特征图通过最大池化下采样到与输出特征图同样大小。
6.根据权利要求1所述的一种合成孔径雷达图像目标检测方法,其特征在于,所述回归损失的计算公式如下;
=+;
;
其中,表示真实框与预测框之间的综合几何差异度量,反映了预测框在位置坐标和尺寸比例两个方面的偏差程度,表示真实框和预测框中心点距离的平方,和分别表示真实框的宽和高,和表示预测框的宽和高,表示平衡不同长宽比的权衡因子,表示真实框对角线长度的平方,表示真实框和预测框左上角之间距离的平方,表示真实框和预测框右下角之间距离的平方,表示包裹真实框和预测框矩形对角线长度的平方。
7.根据权利要求1所述的一种合成孔径雷达图像目标检测方法,其特征在于,所述分类损失的计算公式如下:;
其中,表示分类损失,表示类别总个数,表示激活函数,表示当前类别的真实值,表示当前类别的预测值。
8.根据权利要求1所述的一种合成孔径雷达图像目标检测方法,其特征在于,所述置信度损失的计算公式如下:;
其中,即表示置信度损失,其中表示预测框的总数,表示第个预测框,表示第个预测框的真实标签,表示第个预测框的预测值。
9.一种电子设备,其特征在于,包括处理器以及存储器;所述存储器用于存储程序;所述处理器执行所述程序实现如权利要求1-8中任一项所述的一种合成孔径雷达图像目标检测方法。
10.一种计算机可读存储介质,其特征在于,包括计算机可执行指令,所述计算机可执行指令在由一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1-8中的任一项所述的合成孔径雷达图像目标检测方法。