CN113567984B 一种sar图像中人造小目标的检测方法及系统 （长沙理工大学）

AU2020104006A4,2021.02.18检测.计算机与现代化.2020,第1-7页.一种SAR图像中人造小目标的检测方法及系统本发明公开了一种SAR图像中人造小目标的间上下文注意力网络MGCAN来对输入图像获取预尺度上下文信息以提高不同尺度目标的检测精数的预测边界框。本发明能够高效地捕获SAR图2文注意力网络MGCAN来对输入图像获取预测结果，且所述多尺度地理空间上下文注意力网高效金字塔卷积注意力融合模块，用于对特合增强多尺度上下文信息以提高不同尺度目标的检测精度，获得不同尺度的特征图C1~并行残差空间注意力模块，用于分别对不同尺检测层，用于接收并行残差空间注意力模块输出的三个不同通道注意力引导融合模块，用于将特征图C1通过卷积模所述金字塔卷积模块CSPP对输入特征图的处理步骤包得到最终输出的特征图；所述无跳跃的金字塔卷积残差层对输入特征图的处理步骤包括：所述高效通道注意力模块ECA对输入特征图的处理步骤包括：针对输入特征图首先通过通道信息的全局平均池化FGAP从空间维度上将输入特征图由尺寸H×W×C压缩为1×1×逐通道调整突出有效特征最终得到增强后的通道连接模块，用于基于通道的连接方式将平均池化3权重提取模块，用于利用Sigmoid函数对7×7卷积操作输出的特征进行处理得到学习空间注意力增强模块，用于将空间注意力特征权重Asam与输入特征图相乘作为空间注跳跃连接模块，用于通过跳跃连接方式将原始的输激活模块，用于针对融合粗粒度特征和细腻度特征后的2.根据权利要求1所述的SAR图像中人造小目标第一特征图提取单元，用于将特征图F1依次通过卷积核大小为3×3跨度为2的卷积模第二特征图提取单元，用于将特征图P1依次通过卷积核大小为3×3跨度为2的卷积模第三特征图提取单元，用于将特征图P2依次通过卷积核大小为3×3跨度为2的卷积模所述跨阶段金字塔卷积模块CSPP_N对输入特征图的处理步骤包括模块后首先与输出特征A1out通过连接层相连，然后再依次通过批处理一致化层BN、3.根据权利要求2所述的SAR图像中人造小目金字塔卷积模块，包括并行的多个卷积层和一卷积的方式并行接收1×1的卷积模块输出的特征映射并在多个不同大小的感受野上构建跳跃连接模块，将金字塔卷积残差层原始的输入特征图添加到与输出特4.根据权利要求1所述的SAR图像中人造小目标的检测方法，4差空间注意力模块输出的三个不同大小的特征一一对应的三个检测模块和一个虚检筛选策略模块，所述检测模块包括用于基于三个先验框采用1×1平面卷积进行分类回归预测，5.根据权利要求1所述的SAR图像中人上下文注意力网络MGCAN来对输入图像获取预测结果之前还包括针对原始SAR影像基于包含指定大小、相邻两个窗口跨度的滑动窗口来生成多尺度地理空间上下文注意力网络6.根据权利要求5所述的SAR图像中人造小目上下文注意力网络MGCAN来对输入图像获取预测结果之后还包括将多尺度地理空间上下文注意力网络MGCAN针对各个滑动窗口对应的输入图像的初步检测结果进行坐标聚合，从而在于，该微处理器被编程或配置以执行权利要求1～6中任意一项所述SAR图像中人造小目8.一种计算机可读存储介质，其特征在于，该配置以执行权利要求1～6中任意一项所述SAR图像中人造小目标的检测方法的计算机程5[0002]合成孔径雷达(syntheticapertureradar,SAR)是一种覆盖范围广的主动式微尺度SAR图像中检测人造小目标面临的巨大挑战主要[0004]在大尺度SAR图像中，由于人造小目标的尺寸差异较大造成在用同一个窗口进行而各个不同姿态的飞机在SAR强度图中的呈现的特点差异较大，这也造成飞机特征提取难6[0010]SAR系统中雷达发生的电磁波照射到地表，每个单元内包含很多与波长相当的散续观测时，这些具有相同后向散射系数的均质区域在SAR图像中会出现明暗不同的灰度或[0011]由此可知，目前从大尺度SAR影像复杂背景中自动检测人造小目标依旧是一项极[0012]传统的SAR图像目标检测方法侧重以手动设计特征为主，非常依赖特征设计者先的二阶段检测型算法(最具有代表性的是RegionswithCNNfeatures(RCNN)系列等)。该[0013]随着深度学习的迅速发展，广大学者开始研究基于深度卷积神经网络的SAR飞机Neighbor)算法，实现了飞机检测和与飞机部件的良好匹配。Diao等人(2018)提出用CFAR实现在大场景中粗略定位机场，再将迁移学习和Faster-RCNN有效结合在机场候选区域内7[0014]虽然目前以飞机为代表的SAR图像人造小目标检测取得了一定的进展，但目前在影像中的飞机目标具有更清晰的纹理等特征(机身机翼明显)，在SAR图像中的飞机呈现为图像中人造小目标的检测方法及系统，本发明充分考虑SAR图像中目标的地理空间上下文[0017]一种SAR图像中人造小目标的检测方法，包括采用多尺度地理空间上下文注意力~C3；[0023]聚焦模块，用于针对输入图像通过四种不同的Slice操作重构成4份低分辨率图[0024]第一特征图提取单元，用于将特征图F1依次通过卷积核大小为3×3跨度为2的卷8[0025]第二特征图提取单元，用于将特征图P1依次通过卷积核大小为3×3跨度为2的卷[0026]第三特征图提取单元，用于将特征图P2依次通过卷积核大小为3×3跨度为2的卷积模块、空间金字塔池模块SPP、金字塔卷积残差层被堆叠1次的跨阶段金字塔卷积模块×1的池化核进行多尺度池化操作以聚合不同区域上下文信息、扩大感受野的同时丰富特卷积模块后首先与输出特征A1out通过连接层相连，然后再依次通过批处理一致化层BN、用组卷积的方式并行接收1×1的卷积模块输出的特征映射并在多个不同大小的感受野上构建高级特征映射，所述通道拼接模块将所有卷积层的输出通过通道拼接融合得到特征9先通过通道信息的全局平均池化FGAP从空间维度上将输入特征图X由尺寸H×W×C压缩为1归一化后的通道权重向量Aeca，再将通道权重向量Aeca与输入特征图X相乘以对输入的特征图X进行逐通道调整突出有效特征最终得到增[0043]权重提取模块，用于利用Sigmoid函数对7×7卷积操作输出的特征进行处理得到[0045]跳跃连接模块，用于通过跳跃连接方式将原始的输入特征图X与增强后的输出特块用于针对三个检测模块输出的边界框基于DIoU损失函数[0048]可选地，所述采用多尺度地理空间上下文注意力网络MGCAN来对输入图像获取预测结果之前还包括针对原始SAR影像基于包含指定大小、相邻两个窗口跨度的滑动窗口来生成多尺度地理空间上下文注意力网络MG[0049]可选地，所述采用多尺度地理空间上下文注意力网络MGCAN来对输入图像获取预测结果之后还包括将多尺度地理空间上下文注意力网络MGCAN针对各个滑动窗口对应的输微处理器和存储器，该微处理器被编程或配置以执行所述SAR图像中人造小目标的检测方被编程或配置以执行所述SAR图像中人造小目标的检测方上下文注意力网络MGCAN来对输入图像获取预测结果，且所述多尺度地理空间上下文注意~C3；[0074]聚焦模块(Focus)，用于针对输入图像通过四种不同的Slice操作重构成4份低分[0075]第一特征图提取单元，用于将特征图F1依次通过卷积核大小为3×3跨度为2的卷[0076]第二特征图提取单元，用于将特征图P1依次通过卷积核大小为3×3跨度为2的卷[0077]第三特征图提取单元，用于将特征图P2依次通过卷积核大小为3×3跨度为2的卷积模块、空间金字塔池模块SPP、金字塔卷积残差层被堆叠1次的跨阶段金字塔卷积模块×1的池化核进行多尺度池化操作以聚合不同区域上下文信息、扩大感受野的同时丰富特[0078]本实施例中将金字塔卷积残差层被堆叠1次的跨阶段金字塔卷积模块CSPP_N记为所示)。空间金字塔池模块SPP中采用大小分别为13×13,9×9,5×5和1×1的池化核进行工之妙。但不同于DenseNet网络结构通过接收前向多层特征的通道串联获取更高的特征，带来的需要较高的GPU内存消耗和更多的训练时间成本，CSPNet网络的另一显著优势是它积模块CSPP_N中支持多次堆叠PRL结构，形成CSPP的各种变体(PRL结构被堆叠N次形成的本实施例中将金字塔卷积残差层被堆叠1次的跨阶段金字塔卷积模块CSPP_N记为CSPP_1，金字塔卷积残差层被堆叠3次的跨阶段金字塔卷积模块CSPP_N记为CSPP_3，特征提取骨干一个PRL结构(金字塔卷积残差层)，且pyconv模块的层数为1层；而CSPP_3模块内部有3个用组卷积的方式并行接收1×1的卷积模块输出的特征映射并在多个不同大小的感受野上构建高级特征映射，所述通道拼接模块将所有卷积层的输出通过通道拼接融合得到特征受野上构建高级特征映射，再通过通道拼接融合，得到特征XP。最后，通过跳跃连接层特征和语义信息丰富的深层特征。本实施例中构建了高效金字塔卷积注意力融合[0089]高效金字塔卷积注意力融合(EPCAF)模块将不同分辨率的特征进行深度融合，增[0090]其中金字塔卷积模块CSPP用作特征细化，其结构与特征提取主干网络中使用CSPP_1结构略有不同，在该CSPP中的PRL结构中没有使用跳跃连接，仅通过以1x1模块和模块后首先与输出特征A1out通过连接层相连，然后再依次通过批处理一致化层BN、层的输出通过通道拼接融合得到特征X作为无跳跃的金字塔卷积残差层最终的输出特征[0091]多尺度上下文信息融合模块(图9中的(a)和(b)部分)是继承了特征金字塔融合证特征的空间信息，将主干网络顶层的输出特征图尺寸为16×16×512的P3通过1×1卷积将语义增强后的中尺度特征图A1与主干网络的浅层特征图P1进行融合得到大尺度特征图次语义增强模块(图9中的(c)部分)。它将主干网络顶层特征图P3经过2倍上采样和CSPP模块(图9中的(d)部分)，将含有丰富细节信息的浅层特征图C1通过一个卷积下采样(卷积核征图X首先通过通道信息的全局平均池化FGAP从空间维度上将输入特征图X由尺寸H×W×C数得到归一化后的通道权重向量Aeca，再将通道权重向量Aeca与输入特征图X相乘以对输力模块ECA利用3×3大小的一维卷积和Sigmoid激活函数组成的门限机制来高效地捕获通eca是归一化后的各通道权重系数。高效通道注意力模块ECA首先通过通道信息[0096]本实施例中，并行残差空间注意力(ParallelResidualSpatialAttention,[0101]权重提取模块，用于利用Sigmoid函数对7×7卷积操作输出的特征进行处理得到[0103]跳跃连接模块，用于通过跳跃连接方式将原始的输入特征图X与增强后的输出特[0105]PRSA模块本实施例中提出的并行残差空间注意力模块自适应的关注有用特征空个并行的相同结构的残差空间注意力模块(ResidualSpatialAttentionModule,RSAM)差模块的思想的加入能够有效地缓解网络训练梯度消失的问题，使得网络训练更稳定。[0110]参见图5，本实施例中检测层(Predictionlayer)包括与并行残差空间注意力模块输出的三个不同大小的特征一一对应的三个检测模块和一个虚检筛选策略模块实施例中引入Cluster-DIoU-NMS(CD-NMS)来获得最优目标框。CD-NMS是cluster-NMS与[0116]其中，λ为惩罚因子，d2(·)是Bi与M中心点之间的欧氏距离的平方(Squared[0120]传统NMS采用迭代顺序处理每一个预测框的集合，而CD-NMS则是对图片上所有预照按置信度排序，只要其他检测框与最高分数框的重叠(交并比)超过阈值(通常阈值设置获取预测结果之前还包括针对原始SAR影像基于包含指定大小、相邻两个窗口跨度的滑动窗口来生成多尺度地理空间上下文注意力网络MGCAN的输入图像的步骤。针对大尺度高分寸为512×512像素(本文以1m分辨率Gaofen-3的SAR影像中的飞机目标为例)、相邻两个窗获取预测结果之后还包括将多尺度地理空间上下文注意力网络MGCAN针对各个滑动窗口对[0125]本文实验中使用的数据是Gaofen‑3系统1m分辨率的十几景包含机场与飞机的大外，我们对数据集中所有飞机目标的矩形框的面积和长宽比进行了统计并绘制了直方图，大为23214个像素，平均约5702个像素。其中尺寸为1600像素左右的飞机目标最多，其次在实验中我们保持使用滑窗‑检测‑坐标聚合的三步式测试策略不变，仅更改检测网络为[0131]在指标计算中，网络正确检测的目标判定依据是网络检测到的目标位置14400像素的机场Ⅲ和14400×16800像素的机场Ⅳ。这些机场在图像数据集制作过程中未飞机特征。SSD网络的平均检测率为86.99平均虚警率为22.08与EfficientDet-D0相的主流目标检测网络用于SAR图像检测的不足之处。FasterR-CNN网络的虚警率为L等人(2020)改进了Faster-RCNN中RPN网络来筛选正负样本，对anchor进行参数优化用于列中2021年新提出的目标检测网络，目标检测性能优异。该网络在本文4个机场中的检测用于实际工程应用。[0136]本实施例SAR图像中人造小目标的检测方法提出了一种三步式目标检测框架，即出了一个大尺度高分辨率SAR图像的人造小目标检测网络架构MGCAN，该框架包括提出的对小目标特征和上下文特征的提取能力；提出的EFPCF模块和PRSA模块提高了对目标地理本实