(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210848740.5 (22)申请日 2022.07.19 (71)申请人 河南大学 地址 475001 河南省开封市顺河区明伦街 85号 (72)发明人 周黎鸣　李亚辉　饶晓晗　杨文成　 左宪禹　乔保军　葛强　刘扬　 (74)专利代理 机构 郑州大通专利商标代理有限 公司 41111 专利代理师 张立强 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/82(2022.01) G06V 10/44(2022.01) G06N 3/08(2006.01)G06N 3/04(2006.01) (54)发明名称 基于多尺度特征增强的光学遥感图像舰船 目标检测方法 (57)摘要 本发明公开一种基于多尺度特征增强的光 学遥感图像舰船目标检测方法， 包括： 构建基于 多尺度特征增强的光学遥感图像舰船目标检测 网络； 所述舰船目标检测网络包含 带有混合倒置 残差块的CSP  Darknet53以进行特征提取、 带有 多尺寸特征增强功能的PANet以进行特征融合、 YOLO Head网络部分以进行船舰 目标检测； 基于 光学遥感图像舰船目标检测数据进行舰船目标 检测网络训练， 得到基于多尺度特征增强的光学 遥感图像舰船目标检测模型； 将光学遥感图像输 入得到的舰船目标检测模型中， 基于舰船目标检 测模型进行光学遥感图像舰船目标检测。 本发明 方法相比于基线网络取得了更好的效果， 满足实 时性检测的要求。 权利要求书1页 说明书12页 附图9页 CN 115223056 A 2022.10.21 CN 115223056 A 1.一种基于多尺度特 征增强的光学遥感图像舰船目标检测方法， 其特 征在于， 包括： 步骤1： 构建基于多尺度 特征增强的光学遥感图像舰船目标检测网络； 所述舰船目标检 测网络包含带有混合倒置残差块的CSP  Darknet53以进行特征提取、 带有多尺寸特征增强 功能的PANet以进行 特征融合、 YOLO  Head网络 部分以进行 船舰目标检测； 步骤2： 基于光学遥感图像舰船目标检测数据进行舰船目标检测网络训练， 得到基于多 尺度特征增强的光学遥感图像舰船目标检测模型； 步骤3： 将光学遥感图像输入得到的舰船目标检测模型中， 基于舰船目标检测模型进行 光学遥感图像舰船目标检测。 2.根据权利要求1所述的基于多尺度特征增强的光学遥感图像舰船目标检测方法， 其 特征在于， 所述 步骤1包括： 使用混合倒置残差块 来代替CS P Darknet53的第五个CS P模块中的残差块。 3.根据权利要求2所述的基于多尺度特征增强的光学遥感图像舰船目标检测方法， 其 特征在于， 所述混合倒置残差块中， 输入特征图首先经过1 ×1卷积升维， 然后使用混合卷积 进行特征提取， 提取后的特 征使用1×1卷积降维， 最后再和输入特 征图进行残差连接 。 4.根据权利要求3所述的基于多尺度特征增强的光学遥感图像舰船目标检测方法， 其 特征在于， 所述混合卷积首先将输入通道划分为不同的组， 每个组对应一个不同内核大小 的深度可分离卷积， 然后再将各个卷积的输出融合。 5.根据权利要求1所述的基于多尺度特征增强的光学遥感图像舰船目标检测方法， 其 特征在于， 所述 步骤1还包括： 对PANet网络结构进行改进： 对于低层特征图、 即CSP  Darknet53中第三个CSP模块输出的特征图， 引入多分支结构， 每个分支包含相同的输入， 使用3 ×3卷积和扩展率为 1的空洞卷积进 行特征提取， 各个 分支 提取的特 征信息融合之后和输入特 征图相加； 对于中层特征图、 即CSP  Darknet53中第四个CSP模块输出的特征图， 使用标准卷积和 空洞卷积相结合来提取特征， 在保留多分支结构的基础上， 使用空洞卷积来提升感受野， 捕 获更大范围的特 征信息。 6.根据权利要求2所述的基于多尺度特征增强的光学遥感图像舰船目标检测方法， 其 特征在于， 在CSP  Darknet53的第五个CSP 模块和PANet之间还设置有SPP 模块用于对输入光 学遥感图像的尺寸进行调整。 7.根据权利要求1所述的基于多尺度特征增强的光学遥感图像舰船目标检测方法， 其 特征在于， 所述YOLO  Head网络部分在预测时， 特征图被分为多个网格， 每个网格包含多个 预测框， 最终的结果 通过计算 IOU联合交集， 然后使用非极大值抑制NMS过 滤得到。权　利　要　求　书 1/1 页 2 CN 115223056 A 2基于多尺度特征增强的光学遥感图像舰船 目标检测方法 技术领域 [0001]本发明涉及遥感图像处理技术领域， 尤其涉及一种基于多尺度特征增强的光学遥 感图像舰船目标检测方法。 背景技术 [0002]目标检测在军事和民用领域发挥着重要的作用， 并且拥有广阔的应用场景。 而舰 船目标检测作为海洋检监测的一项重要技术， 在军事侦察、 海上运输安全等方面具有重要 的意义。 [0003]随着航空航天技术的发展， 光学遥感图像数据日益增多。 同时卫星遥感不受空域 限制， 能够连续的观测地球表面。 光学遥感图像可以提供几何形状、 纹理、 以及颜色等直观 信息， 便于检测。 然而光学遥感图像中的舰船目标往往具有复杂的背 景， 且极易受天气以及 光照的影响导致成像质量不佳。 因此光学遥感图像多尺度 舰船目标检测使一项具有重大意 义且极具挑战性的工作。 [0004]传统的目标检测方法大多基于滑动窗口和人工提取特征， 虽然取得了不错的效果 但仍存在一系列不 足。 首先， 其运行成本和时间复杂度较高， 其次手动设计的特征鲁棒性较 差。 [0005]随着深度学习的发展， 基于深度学习 的目标检测算法逐渐替代了传统的检测方 法。 然而由于光学遥感图像的成像质量， 舰船目标的尺度特性以及 背景特性。 导致自然图像 目标检测 算法应用于光学遥感 图像舰船目标检测时精度较低。 因此， 基于深度学习的光学 遥感图像多尺度舰船目标检测仍有很大的提升空间和研究意 义。 发明内容 [0006]本发明针对自然图像目标检测算法应用于光学遥感图像舰船目标检测时精度较 低的问题， 提出一种基于多尺度特 征增强的光学遥感图像舰船目标检测方法。 [0007]为了实现上述目的， 本发明采用以下技 术方案： [0008]一种基于多尺度特 征增强的光学遥感图像舰船目标检测方法， 包括： [0009]步骤1： 构建基于多尺度特征增强的光学遥感图像舰船目标检测网络； 所述舰船目 标检测网络包含带有混合倒置残差块的CSP  Darknet53以进行特征提取、 带有多尺寸特征 增强功能的PANet以进行 特征融合、 YOLO  Head网络 部分以进行 船舰目标检测； [0010]步骤2： 基于光学遥感图像舰船目标检测数据进行舰船目标检测网络训练， 得到基 于多尺度特 征增强的光学遥感图像舰船目标检测模型； [0011]步骤3： 将光学遥感图像输入得到的舰船目标检测模型中， 基于舰船目标检测模型 进行光学遥感图像舰船目标检测。 [0012]进一步地， 所述步骤1包括： [0013]使用混合倒置残差块 来代替CS P Darknet53的第五个CS P模块中的残差块。 [0014]进一步地， 所述混合倒置残差块中， 输入特征图首先经过1 ×1卷积升维， 然后使用说　明　书 1/12 页 3 CN 115223056 A 3