(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 202210392478.8 (22)申请日 2022.04.18 (71)申请人 河海大学 地址 211100 江苏省南京市江宁区佛城西 路8号 (72)发明人 许卓明　施仲悦　 (51)Int.Cl. G06V 20/00(2022.01) G06V 10/22(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于多层神经网络的SAR图像舰船目标 检测方法 (57)摘要 本发明公开一种基于多层神经网络的SAR图 像舰船目标检测方法， 包括步骤： 将 包含SAR图像 及其所对应的舰船目标真实值的SAR图像数据集 划分成训练集、 验证集、 测试集； 对所述训练集进 行预处理， 包括SAR图像的尺寸标准化、 数据增强 和先验框聚类； 使用所述验证集和所述预处理过 的训练集构建一个基于多层神经网络的SAR图像 舰船目标检测方法SS TD‑MNN的初始模型； 使用所 述验证集和所述预处理过的训练集对所述SS TD‑ MNN的初始模型进行参数调节， 得到SSTD ‑MNN的 优化模型， 并使用所述测试集评估 该优化模型的 检测准确度； 利用所得SSTD ‑MNN的优化模型对 SAR图像数据集中或实 际应用中的待检测SAR图 像进行舰船目标检测。 本发明提供了一种检测准 确度高的SAR图像舰船目标检测方法， 具有广阔 应用前景。 权利要求书4页 说明书16页 附图2页 CN 114694014 A 2022.07.01 CN 114694014 A 1.一种基于多层神经网络的SAR图像舰船目标检测方法， 包括下列步骤： 步骤S1： 将包含SAR图像及其所对应的舰船目标真实值的SAR图像数据集划分成训练 集、 验证集、 测试集； 步骤S2： 对所述训练集进行预处理， 包括SAR图像的尺寸标准化、 数据增强和先验框聚 类； 步骤S3： 使用所述验证集和所述预处理过的训练集构建一个基于多层神经网络的SAR 图像舰船目标检测方法S STD‑MNN的初始模型； 步骤S4： 使用所述验证集和所述预处理过的训练集对所述SSTD ‑MNN的初始模型进行参 数调节， 得到S STD‑MNN的优化模型， 并使用所述测试集评估该优化模型的检测准确度； 步骤S5： 利用所得SSTD ‑MNN的优化模型对SAR图像数据集 中或实际应用中的待检测SAR 图像进行舰船目标检测。 2.根据权利要求1所述的方法， 其特 征在于， 所述 步骤S2进一 步包括下列步骤： 步骤S21： 对训练集中的所有SAR图像及其舰船目标真实值的尺寸都标准化为608像素 ×608像素； 步骤S22： 首先为训练集中每张SAR图像随机选取训 练集中其他3张SAR图像， 将该4张 SAR图像随机缩放后分别放置于一张空白图像的四个角以拼接成1张新的SAR图像， 然后， 将 该SAR图像及其原 4张SAR图像所对应的舰船目标真实值进行边缘处理， 得到预 处理后的SAR 图像及其舰船目标真实值； 步骤S23： 对训练集中的所有舰船目标真实值进行K ‑means聚类后获得n个先验框， 其 中， 超参数n取值于集 合{6， 9， 12} 中元素。 3.根据权利要求1或2所述的方法， 其特 征在于， 所述 步骤S3进一 步包括下列步骤： 步骤S31： 为所述检测方法SSTD ‑MNN的初始模型构建一个特征提取层， 其包含以下7个 子层： 第1个子层包含2个二维卷积层和1个mish函数激活层， 其中， 2个二维卷积层的卷积核 数量分别为32和64， 卷积核大小分别为1 ×1和3×3/2， 该子层的输出由下列公式定义： Output＝mish(co nv2(conv1(Input)))， 式中， Input表示该子层的输入， conv1、 conv2分别表示2个二 维卷积层， Output表示该子 层的输出； 第2个子层包含3个二维卷积层、 1个mish函数激活层和1个残差网络层， 其中， 3个二维 卷积层的卷积核数量均为32、 卷积核大小均为1 ×1， 残差网络层中含有2个二维卷积， 它们 的卷积核数量分别为32和64、 卷积核大小分别为1 ×1和3×3； 第3个子层包含3个二维卷积层、 1个mish函数激活层和2个残差网络层， 其中， 3个二维 卷积层的卷积核 数量均为64、 卷积核 大小均为 1×1， 2个残差网络层中均含有2个二 维卷积， 它们的卷积核数量均为64、 卷积核大小分别为1 ×1和3×3； 第4个子层包含3个二维卷积层、 1个mish函数激活层和8个残差网络层， 其中， 3个二维 卷积层的卷积核数量均为128、 卷积核大小均为1 ×1， 8个残差网络层中均含有2个二维卷 积， 它们的卷积核数量均为128、 卷积核大小分别为1 ×1和3×3； 第5个子层包含3个二维卷积层、 1个mish函数激活层和8个残差网络层， 其中， 3个二维 卷积层的卷积核数量均为256、 卷积核大小均为1 ×1， 8个残差网络层中均含有2个二维卷权　利　要　求　书 1/4 页 2 CN 114694014 A 2积， 它们的卷积核数量均为25 6、 卷积核大小分别为1 ×1和3×3； 第6个子层包含3个二维卷积层、 1个mish函数激活层和8个残差网络层， 其中， 3个二维 卷积层的卷积核数量均为256、 卷积核大小均为1 ×1， 8个残差网络层中均含有2个二维卷 积， 它们的卷积核数量均为512、 卷积核大小分别为1 ×1和3×3； 第2个子层至第6个子层的输出均由下列公式定义： Output＝mish(co nv3(concat(conv1(Input)， Resbl ockn(conv2(Input)))))， 式中， Resblockn表示第n子层中的残差网络层， n∈{1， 2， ...， 6}， Input表示相应子层的 输入， conv1、 conv2、 conv3分别表示相应子层中的3个二维卷积层， concat表示连接操作， Output表示相应子层的输出； 第7个子层包含3个最大池化层， 它们的池化核大小分别为3 ×3、 5×5、 7×7， 该子层的 输出由下列公式定义： Output＝co ncat(Input， maxpo ol1(Input)， maxpo ol2(Input)， maxpo ol3(Input))， 式中， Input表示该子层的输入， maxpool1、 maxpool2、 maxpool3分别表示3个最大池化 层， concat表示连接操作， Output 表示该子层的输出； 步骤S32： 为所述检测方法SSTD ‑MNN的初始模型构建一个特征融合层， 其包含以下5个 子层： 第1个子层包含4个二维卷积层， 它们的卷积核数量分别为512、 1024、 512、 256， 卷积核 大小分别为1 ×1、 3×3、 1×1、 1×1， 第1个子层的输出由下列公式定义： Output＝co nv1‑4(Input)， 式中， Input表示该子层的输入， conv1‑4表示第1个至第4个二维卷积层， Output表示该 子层的输出； 第2个子层包含1个上采样层、 6个二维卷积层和1个外部注意力层， 其中， 6个二维卷积 层的卷积核数量分别为256、 256、 512、 256、 512、 256， 卷积核大小分别为1 ×1、 1×1、 3×3、 1 ×1、 3×3、 1×1， 上采样层的采样倍数为 4， 该子层的输出由下列公式定义： Output＝ea(conv2‑6(concat(upsample(Input)， conv1(OutputS31‑5))))， 式中， Input表 示该子层的输入， upsample表示上采样层， conv1表示第1个二维卷积层， OutputS31‑5表示步 骤S31中第5个子层的输出， concat表示连接操作， conv2‑6表示第2个至第6个二维卷积层， ea 表示外部注意力层， Output 表示该子层的输出； 第3个子层包含1个上采样层、 6个二维卷积层和1个外部注意力层， 其中， 6个二维卷积 层的卷积核数量分别为128、 128、 256、 128、 256、 128， 卷积核大小分别为1 ×1、 1×1、 3×3、 1 ×1、 3×3、 1×1， 上采样层的采样倍数为 4， 该子层的输出由下列公式定义： Output＝ea(co nv2‑6(concat(upsample(I nput)， co nv1(OutputS31‑4))))， 式中， Input表示该子层的输入， conv1表示第1个二维卷积层， OutputS31‑4表示步骤S31 中第4个子层的输出， concat表示连接操作， conv2‑6表示第2个至第6个二维卷积层， ea表示 外部注意力层， Output 表示该子层的输出； 第4个子层包含1个下采样层、 6个二维卷积层和1个外部注意力层， 其中， 6个二维卷积 层的卷积核数量分别为256、 256、 512、 256、 512、 256， 卷积核大小分别为3 ×3、 1×1、 3×3、 1 ×1、 3×3、 1×1， 下采样层的采样倍数为1/4， 该子层的输出由下列公式定义：