申请/专利权人：西安空间无线电技术研究所

申请日：2021-05-28

公开（公告）日：2024-05-14

公开（公告）号：CN113516053B

主分类号：G06F30/27

分类号：G06F30/27

优先权：

专利状态码：有效-授权

法律状态：2024.05.14#授权;2021.11.05#实质审查的生效;2021.10.19#公开

摘要：本发明公开了一种具有旋转不变性的舰船目标精细化检测方法，包括：采用三点式标注法，对样本遥感图像进行标注；计算得到样本遥感图像中的目标的位置信息、类别信息和置信度；构建得到神经网络模型；通过神经网络模型对样本遥感图像进行特征提取和识别；通过梯度下降算法对神经网络模型中的参数进行更新；对神经网络模型进行多次训练后，得到目标精细化检测模型；将待识别遥感图像作为目标精细化检测模型的输入，输出待识别遥感图像中的目标的位置信息、类别信息和置信度。本发明具有学习目标几何姿态信息的能力，并将目标的朝向隐含在三角形边框中，可以有效预测目标方向及位置信息，从而实现了多类军用舰船和民用舰船目标类别和方向的判定。

主权项：1.一种具有旋转不变性的舰船目标精细化检测方法，其特征在于，包括：步骤1：采用三点式标注法，对样本遥感图像进行标注，得到样本遥感图像中的目标检测框；步骤2：根据标注得到的目标检测框，计算得到样本遥感图像中的目标的位置信息、类别信息和置信度；步骤3：构建得到神经网络模型；将样本遥感图像输入至神经网络模型，通过神经网络模型对样本遥感图像进行特征提取和识别，输出目标的位置信息、类别信息和置信度；步骤4：根据步骤2计算得到的目标的位置信息、类别信息和置信度，以及步骤3由神经网络模型输出的目标的位置信息、类别信息和置信度，通过梯度下降算法对神经网络模型中的参数进行更新；步骤5：重复步骤4的操作过程，对神经网络模型进行多次训练后，得到目标精细化检测模型；步骤6：将待识别遥感图像作为目标精细化检测模型的输入，通过所述目标精细化检测模型对待识别遥感图像进行特征提取和识别，输出待识别遥感图像中的目标的位置信息、类别信息和置信度；根据步骤2计算得到的目标的位置信息、类别信息和置信度，以及步骤3由神经网络模型输出的目标的位置信息、类别信息和置信度，通过梯度下降算法对神经网络模型中的参数进行更新，包括：子步骤41：从样本遥感图像数据集中随机选取一幅样本遥感图像Pi；子步骤42：通过步骤1～2，计算得到样本遥感图像Pi中的目标的位置信息、类别信息和置信度；子步骤43：将样本遥感图像Pi作为步骤3构建得到的神经网络模型的输入，通过神经网络模型输出得到样本遥感图像Pi中的目标的位置信息、类别信息和置信度；子步骤44：根据子步骤42计算得到的目标的位置信息、类别信息和置信度，以及子步骤43由神经网络模型输出的目标的位置信息、类别信息和置信度，计算得到损失函数；其中，损失函数包括：坐标位置的损失，置信度的损失和类别的损失；子步骤45：通过梯度下降算法对神经网络模型中的参数进行更新；损失函数的表达式如下： 损失函数分为5项，包括： 为第一项，表示负责预测物体的锚点的坐标损失； 为第二项，表示不负责预测物体的锚点的坐标损失； 为第三项，表示不负责预测物体的锚点的置信度的损失； 为第四项，表示不负责预测物体的锚点的置信度损失； 为第五项，表示负责预测物体锚点的类别损失；其中，x和y分别表示标注目标的三个点在图像中的横坐标和纵坐标，k表示标注目标的点的数目，i表示锚点数目，j表示每个锚点上所取边框的数目，表示预测到的横坐标，表示标注的横坐标，表示预测到的纵坐标，表示标注的纵坐标，表示用来调节第一项损失和第三项损失在总损失中所占比重，表示锚点的中心横坐标，表示锚点的中心纵坐标，表示用来调节第二项损失和第四项损失在总损失中所占比重，表示预测得到的置信度，表示预测到的边框，表示真实边框，表示与的交并比，表示预测得到的目标类别概率，表示目标类别概率的真值，B表示每个锚点内设置的边框数目，s表示特征图的边长，表示负责预测目标的锚点的概率，表示不负责预测目标的锚点的概率。

全文数据：

权利要求：

百度查询： 西安空间无线电技术研究所 一种具有旋转不变性的舰船目标精细化检测方法

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