申请/专利权人：南京航空航天大学;南京航空航天大学深圳研究院

申请日：2023-07-04

公开（公告）日：2024-03-22

公开（公告）号：CN117058556B

主分类号：G06V20/13

分类号：G06V20/13;G06V10/44;G06V10/774;G06V10/80;G06V10/82;G06N3/045;G06N3/0464;G06N3/0895;G06N3/096

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2023.12.01#实质审查的生效;2023.11.14#公开

摘要：本发明公开了基于自监督蒸馏的边缘引导SAR图像舰船检测方法，包括采用无标签的SAR图像数据集，通过自监督蒸馏学习训练网络ResNet‑18；将带有标签的SAR图像目标检测数据集图像输入ResNet‑18进行特征提取，获得特征图；采用频域和空间域的特征融合来预测图像边缘；采用边缘特征对特征图进行边缘引导后输入空洞金字塔池化网络中进行多尺度融合，得到多个尺度的特征；将多个尺度的特征送入检测模块获得检测结果，通过检测结果与标签计算检测损失，训练网络。本发明能够快速有效地检测复杂背景下遥感SAR图像的各种尺度的目标，为多源干扰环境条件下的军事侦察、无人作战系统等多种军事任务提供稳定可靠的技术支撑。

主权项：1.基于自监督蒸馏的边缘引导SAR图像舰船检测方法，其特征在于，包括以下步骤：S1、采用无标签的SAR图像数据集，通过自监督蒸馏学习训练轻量级网络ResNet-18；S2、将带有标签的SAR图像目标检测数据集图像输入ResNet-18进行特征提取，获得特征图；S3、基于特征图，采用频域和空间域的特征融合来预测图像边缘，得到边缘特征；S4、采用边缘特征对特征图进行边缘引导后输入空洞金字塔池化网络生成不同尺度的特征图；S5、将新S4生成的特征图送入检测模块获得检测结果；步骤S1通过自监督蒸馏学习训练轻量级网络ResNet-18，具体包括以下子步骤：S101、获取无标签的SAR图像数据集；S102、对无标签的SAR图像数据集中的图像进行增强操作，生成两个样本；S103、以ResNet-152作为教师模型，ResNet-18作为学生模型和动量模型，将两个样本送入各模型；S104、各模型生成的结果通过多层感知机进行编码生成嵌入向量；S105、对学生模型和动量模型生成的嵌入向量计算相似度并进行对比学习；S106、采用教师模型生成的嵌入向量对学生模型对应的嵌入向量进行约束使其趋于一致；步骤S4包括以下子步骤：S401、将边缘特征下采样后与特征图相乘后再加上特征图；S402、将S401得到的特征通过卷积、平均池化和sigmoid生成注意力权重；S403、将最初的特征图与注意力权重相乘后卷积得到边缘引导的特征；S404、将边缘引导的特征输入空洞金字塔池化网络中将不同尺度的特征图从小到大相邻融合，生成原图尺寸14、18，116的特征图C1、C2、C3。

全文数据：

权利要求：

百度查询： 南京航空航天大学;南京航空航天大学深圳研究院 基于自监督蒸馏的边缘引导SAR图像舰船检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD