一种基于深度学习的SAR图像目标检测方法

专利主权项内容

1.一种基于深度学习的SAR图像目标检测方法，其特征在于，包括以下步骤：S1、获取SAR图像数据，构建训练样本集；S2、对训练样本集进行数据增强，得到扩充后的样本集；S3、在YOLOv8的基础上构建规范残差去噪网络；构建规范残差去噪网络，包括：S31、扩充后的样本集经过1×1卷积后，将特征映射均匀地分成个特征映射子集，其中，每个特征映射子集具有相同的空间大小，通道数为，除外，每个特征映射子集都有一个对应的3×3卷积，记为，用表示的输出，将特征映射子集与的输出相加，然后反馈到；sxii∈{1, 2，…, s}xi1/sx1xiKi()yiKi()xiKi−1()Ki()S32、求取输入特征图的所有特征的绝对值；S33、在主干网络路径下，经过全局均值池化和平均，获得一个特征，即主干网络中经池化和平均获得的特征A；在另一条路径中，将全局均值池化之后的特征图输入批归一化网络中；
(1)式中，和分别为的均值和标准差；和是可训练的仿射变换参数；/>为常数；为输入特征，为经过批归一化后输出特征，为批归一化函数；σBBinγβBinBoutBN通道注意子模块如方程(2)所示，其中表示输出特征，为各通道的标度因子，权重为；Mcμ
(2)其中，为每一层输入图像特征；为第个通道的标度因子；/>为第个通道的标度因子；F1ij再将输入到空间注意力模块中，如方程(3)所示，其中输出记为，为比例因子，权重为；McMsλ
(3)规范注意力网络以函数作为最后一层，将输出归一化到0和1之间，获得系数，最终的阈值表示为；Sigmoidαα×A其中，为主干网络中经过池化和平均获得的特征；AS34、每层规范注意力网络堆叠2-6个基本模块，基本模块包括卷积层、批标准化、激活函数、全局均值池化以及全连接输出层，得到完整的规范残差去噪网络；S4、通过扩充后的训练样本集构建训练好的规范残差去噪网络模型；S41、将扩充后的训练样本集输入到规范残差去噪网络中，利用随机梯度下降算法，分别计算规范残差去噪网络中每一层的代价函数的梯度值，用每一层的梯度值更新该层的权值，得到更新前的权值；S42、利用反向传播算法，计算规范残差阈值去噪网络中每一层的误差灵敏度，用每一层的误差灵敏度更新该层的权值，得到更新后的权值；S43、判断更新前的权值与更新后的权值是否相等，若是，则网络训练完毕，得到训练好的规范残差去噪网络模型，执行步骤S5，否则，执行步骤S41；S5、用训练好的规范残差去噪网络模型对SAR图像进行目标检测，得到目标检测结果。。微信公众号马克数据网