(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 202210853421.3 (22)申请日 2022.07.08 (71)申请人 电子科技大 学 地址 610000 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 张晓玲　邵子康　张天文　曾天娇　 师君　韦顺军　 (74)专利代理 机构 电子科技大 学专利中心 51203 专利代理师 曾磊 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01)G06N 3/04(2006.01) G01S 13/90(2006.01) (54)发明名称 一种基于旋转检测框的多类别SAR图像舰船 检测方法 (57)摘要 本发明公开了一种基于旋转检测框的多类 别SAR图像舰船检测方法， 它是基于深度学习理 论， 主要包括旋转检测框机制、 平衡自注意力金 字塔、 特征对齐和包含特征解耦机制的旋转回归 网络。 旋转检测框机制通过使用旋转检测框降低 相邻舰船检测框重叠部分， 并减少背景的干扰， 从而提高检测精度； 平衡自注 意力金字塔网络通 过特征融合和增强方法提取更具多尺度检测能 力的特征， 从而解决船只尺度特征不平衡问题； 特征对齐将 旋转的检测框和水平的特征图对齐， 从而解决了旋转检测框和特征图之间的错位问 题； 旋转分类回归网络包含特征解耦机制， 解决 了分类回归敏感性冲突和多种类舰船检测的问 题。 权利要求书3页 说明书10页 附图2页 CN 115359263 A 2022.11.18 CN 115359263 A 1.一种基于 旋转检测框的多类别SAR图像舰船检测方法， 其特 征是它包括以下步骤： 步骤1、 初始化数据集 采用传统 随机的方法调整SRSDD数据集 中的SAR图像次序， 得到新的SRSDD数据 集； 采用 传统的SRS DD数据集获取 方法， 将SRS DD数据集划分为训练集Trai n和测试集Test； 步骤2、 搭建前向传播网络 步骤2.1、 搭建平衡自注意力金字塔网络 采用经典的残差网络构建方法构建网络层数为50的残差网络， 记为Res ‑50， 同时将残 差网络Res ‑50中的最后一层网络所生 成不同尺寸的特征图， 按 特征图尺 寸由大到小分别记 为特征图F1，特征图F2，特征图F3，特征图F4， 特征图F5； 对于特征图F1、 特征图F2、 特征图F3、 特征图F4、 特征图F5， 采用公式 计算， 得到计算结果特征图， 记为H， 其中， k代表特征图的下标， (i,j)代表特征图的空间采 样位置； 将特征图H作为输入， 采用公式 计算， 得到特征图O； 其中， Hi表示在特征图H上第i个位置的特征； Oi表示在特征图O上第i个位置的特征； 代表归一化因子； f(Hi,Hj)是用来计算Hi和Hj之间相似度的函数， 具体 表达式为 其中， θ(Hi)＝WθHi,φ(Hj)＝WφHj,Wθ和Wφ是通过传统卷积核 操作方法对1 ×1卷积核操作得到的矩阵； g(Hj)＝WgHj， Wg是通过传统卷积核操作方法对 1× 1卷积核操作得到的矩阵； 将特 征图O另记为特 征图E3； 将特征图O作为输入， 采用传统下采样操作方法， 通过下采样操作将特征图O的尺寸与 特征图F5一致， 得到新的特 征图， 记为特 征图E5； 将特征图O作为输入， 采用传统下采样操作方法， 通过下采样操作将特征图O的尺寸与 特征图F4一致， 得到新的特 征图， 记为特 征图E4； 将特征图O作为输入， 采用传统上采样操作方法， 通过上采样操作将特征图O的尺寸与 特征图F2一致， 得到新的特 征图， 记为特 征图E2； 将特征图O作为输入， 采用传统上采样操作方法， 通过上采样操作将特征图O的尺寸与 特征图F1一致， 得到新的特 征图， 记为特 征图E1； 对于特征图E1、 特征图E2、 特征图E3、 特征图E4、 特征图E5， 采用传统金字塔网络方法构建 方法， 得到平衡特 征金字塔网络， 记为BAFPN0； 步骤2.2、 搭建特 征对齐网络 采用传统特 征对齐网络构建方法， 构建特 征对齐网络， 记为FAN0； 将FAN0的输出记为FA； 步骤2.3、 搭建旋转分类回归网络 采用传统池化操作方法构建池化层P1； 采用传统的全连接层方法， 构建全连接层FC1， FC2和FC3； 采用传统卷积核方法构建四层卷积层， 分别为Conv11、 Conv12、 Conv21、 Conv22； 采用传统的旋转检测头构建方法， 构建2个旋转检测头， 记为RC， RR； 将 FA作为池化层P1的输 入； 将池化层P1的输出作为全连接层FC1的输入， 记全连接层FC1的输出为FE； 将FE作为全连权　利　要　求　书 1/3 页 2 CN 115359263 A 2接层FC2的输入， 记全 连接层FC2的输出为FD1； 将FE作为全连接层FC3的输入， 记全 连接层FC3 的输出为FD2； 将FA和FD1相乘， 记输出为Fcls； 将FA和FD2相乘， 记输出为Freg； 将Fcls作为卷积层 Conv11的输入， 将卷积层Conv11的输出作卷积层为Conv12的输入， 将卷积层Conv12的输出 作为旋转检测头RC的输入， 将旋转检测头RC的输出记为OUTcls； 将Freg作为卷积层Conv21 的 输入， 将卷积层Conv21 的输出作为卷积层Conv22的输入， 将卷积层Conv22的输出作为旋转 检测头RR的输入， 将旋转检测头R R的输出记为OU Treg； 由步骤2.3中的池化层P1， 全连接层FC1、 FC2、 FC3， 卷积层Conv11、 Conv12、 Conv21、 Conv22， 旋转检测头RC、 R R， 组成旋转分类回归网络， 记为RDN0； 步骤3、 训练网络 设置迭代参数 epoch， 初始化epoc h值为1； 步骤3.1、 对平衡自注意力金字塔网络进行 前向传播 将步骤1中得到数据集SRSDD的训练集Train作为平衡自注意力金字塔网络BAFPN0的输 入， 采用传统前向传 播方法把训练集Train送入平衡自注意力金字塔网络BAFPN0进行运算， 得到网络BAFPN0的输出， 记为Result0； 步骤3.2、 对特 征对齐网络进行 前向传播 将步骤3.1中的得到的平衡自注意力金字塔网络的输出结果Result0作为特征对齐网 络FAN0的输入， 采用传统前向传播方法把平衡自注意力金字塔网络的输出结果Result0送 入特征对齐网络FAN0进行运算， 得到特 征对齐网络FAN0的输出， 记为Result1. 步骤3.3、 对旋转分类回归网络进行 前向传播 将步骤3.2中的得到的特征对齐网络的输 出结果Resu lt1作为旋转 分类回归网络RDN0的 输入， 采用传统前向传播方法把特征对齐网络的输出结果Result1送入旋转分类回归网络 RDN0进行运算， 得到旋转分类回归网络RDN0的输出， 分别记为Resultcls和Resultreg； 步骤3.4、 对所有网络进行训练和优化 将步骤3.3中得到的旋转分类回归网络RDN0的输出结果Resultcls和Resultreg作为输入， 采用经典的Adam算法对 旋转分类回归网络RDN0、 特征对齐网络FAN0、 平衡自注意力金字塔网 络BAFPN0进行训练和优化， 得到训练和优化之后的旋转分类回归网络RDN1、 特征对齐网络 FAN1、 平衡自注意力金字塔网络BAFPN1； 步骤4、 进行交替训练 判断步骤3中设置的epoc h是否等于12； 如果epoch不等于12， 则令epoch＝epoch+1、 BAFPN0＝BAFPN1、 FAN0＝FAN1、 RDN0＝RDN1， 依次重复步骤3.1、 步骤3.2、 步骤3.3、 步骤3.4， 然后返回步骤4对epoc h进行再次判断； 如果epoch等于12， 则令训练后的旋转分类回归网络RDN1， 特征对齐网络FAN1， 平衡自注 意力金字塔网络BAFPN1记为网络RBFA ‑Net， 然后进行步骤5. 步骤5、 评估方法 步骤5.1、 前向传播 以步骤4中得到网络RBFA ‑Net和步骤1中得到的测试集Test作 为输入， 采用传统的前向 传播方法进行检测， 得到检测结果， 记为R； 以检测结果R作为输入， 采用传统 的非极大值抑制方法， 去除检测结果R中的冗余框， 具 体步骤如下：权　利　要　求　书 2/3 页 3 CN 115359263 A 3