一种船舶检测方法，装置及电子设备

本发明涉及船舶检测，具体为一种船舶检测方法，装置及电子设备。

背景技术：

1、海洋运输的发展主要依靠舰船，海上国防安全很大程度上依赖军事舰船，由于舰船种类繁多，形状各异，大小不一，且海洋环境的复杂，易受天晴影响，舰船在航行过程中容易出现触礁，侧翻等意外情况，给我国海洋安全环境建设带来了很大的压力，遥感数据集有其分辨率高，轮廓清晰，几何特征明显的优势，常作为舰船目标检测数据集。

2、传统的方法通过构建卷积模板提取图像的hog特征、s ift特征等信息，并结合svm为代表的分类器实现对目标分类识别，构建目标候选区域，并提取各波段s ift特征，运用svm对舰船目标进行检测分类，提升了识别率。但是基于传统的舰船目标检测方法严重依赖传统特征，存在多角度目标和聚集小目标的检测的准确率低，精度低的问题。

技术实现思路

1、针对现有技术的不足，本发明提供了一种船舶检测方法，装置及电子设备，解决了遥感图像数据集中的多角度目标和聚集小目标的检测的准确率低的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：一种船舶检测方法，包括以下步骤：构建多尺度特征提取网络，并使用标注数据和未标注数据对其进行训练，定制损失函数以提高多尺度特征提取网络的泛化能力；对遥感图像进行数据处理和增强，并将不同传感器获取的数据与遥感图像数据进行融合得到融合数据；使用多尺度特征提取网络对融合数据进行特征提取，获得多角度和聚集小目标的检测结果，获取聚集小目标的中心位置。

3、进一步地，所述多尺度特征提取网络包括输入层、卷积和池化层、残差块、多尺度特征提取、全局平均池化层和输出层，其使用标注数据和未标注数据进行训练如下：将标注数据和未标注数据混合输入到多尺度特征提取网络的输入层；卷积和池化层提取低级别特征图；提取到的低级别特征图传递到残差块，使用卷积操作、批归一化和激活函数对低级别特征图进行处理；多尺度特征提取使用不同大小的卷积核来获取多尺度信息；全局平均池化层对获取的多尺度信息中的每个通道的值取平均值，产生全局特征向量；输出层将产生的全局特征向量输出。

4、进一步地，在使用标注数据和未标注数据进行训练之前，将标注数据和未标注数据加载到训练集中，对训练集进行预处理，包括归一化和数据增强，在多尺度特征提取网络中，添加半监督学习组件，将多尺度特征提取网络与半监督学习方法相结合，构建联合训练的框架。

5、进一步地，训练过程中对于标注数据，计算分类损失和定位损失，对于未标注数据，通过半监督学习方法生成伪标签，然后计算伪标签和实际标签之间的损失，随机梯度下降，调整多尺度特征提取网络参数以减少损失。

6、进一步地，所述得到融合数据的具体过程如下：从遥感数据源中加载原始图像数据，对原始图像数据进行预处理后进行增强，扩充数据集；将数据集中的图像调整到相同的尺寸或对不同分辨率的图像进行多尺度处理；使用特征级融合方法对不同传感器获取的数据进行融合，融合后进行色彩校正，获得融合数据。

7、进一步地，所述对原始图像数据进行预处理包括去除噪声、校正辐射定标；所述对预处理后的原始图像数据进行增强的方式包括随机裁剪、翻转、旋转、缩放。

8、进一步地，所述使用特征级融合方法对不同传感器获取的数据进行融合的过程如下：通过卷积神经网络分别提取不同传感器获取的数据的特征；将提取到的特征映射到一个共同的特征空间；将特征空间中的特征进行拼接，加权平均在特征维度上进行融合。

9、进一步地，所述获取聚集小目标的中心位置的过程如下：多尺度特征提取网络接受融合数据作为输入进行前向传播；前向传播过程中，数据将依次经过卷积和池化层、残差块、多尺度特征提取层；多尺度特征提取层会在不同网络层获得多尺度的特征表示，在其输出层的目标分类器对每个检测框预测目标的类别概率，边界框回归器预测目标的位置；计算边界框的中心来获取目标的中心位置。

10、一种船舶检测装置，包括多尺度特征提取网络构建模块，数据融合模块和小目标检测模块，其中：所述多尺度特征提取网络构建模块用于构建多尺度特征提取网络，并使用标注数据和未标注数据对其进行训练，定制损失函数以提高多尺度特征提取网络的泛化能力；所述数据融合模块用于对遥感图像进行数据处理和增强，并将不同传感器获取的数据与遥感图像数据进行融合得到融合数据；所述小目标检测模块用于使用多尺度特征提取网络对融合数据进行特征提取，获得多角度和聚集小目标的检测结果，获取聚集小目标的中心位置。

11、一种电子设备，包括：处理器；以及存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的船舶检测方法。

12、本发明具有以下有益效果：

13、(1)、该船舶检测方法，通过构建多尺度特征提取网络并结合特征级融合、数据增强、半监督学习等技术，从标注数据和未标注数据中学习丰富的特征表示，提高了模型在多角度目标和聚集小目标的检测准确率，多尺度特征提取、联合训练框架以及融合遥感数据等手段有效地提升了模型的性能，使其在复杂环境下具备更好的目标识别和定位能力。

14、(2)、该船舶检测方法，结合标注数据和未标注数据进行联合训练，以及使用半监督学习方法生成伪标签，使网络能够更充分地利用数据，增强了其泛化能力，同时，数据处理与增强以及传感器融合方法，使数据更具多样性，使网络在不同情况下都能取得良好效果，减少对大量标注数据的依赖。

15、(2)、该船舶检测方法，构建的综合框架结合了多尺度特征提取、数据融合、半监督学习等方法，使得船舶检测在遥感图像数据上能够更准确地捕获多角度目标和聚集小目标，有助于实际应用中的决策制定、船舶交通管控、资源管理等领域，提升了检测系统的实用价值和效果。

16、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

技术特征：

1.一种船舶检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种船舶检测方法，其特征在于，所述多尺度特征提取网络包括输入层、卷积和池化层、残差块、多尺度特征提取、全局平均池化层和输出层，其使用标注数据和未标注数据进行训练如下：

3.根据权利要求2所述的一种船舶检测方法，其特征在于：在使用标注数据和未标注数据进行训练之前，将标注数据和未标注数据加载到训练集中，对训练集进行预处理，包括归一化和数据增强，在多尺度特征提取网络中，添加半监督学习组件，将多尺度特征提取网络与半监督学习方法相结合，构建联合训练的框架。

4.根据权利要求3所述的一种船舶检测方法，其特征在于：训练过程中对于标注数据，计算分类损失和定位损失，对于未标注数据，通过半监督学习方法生成伪标签，然后计算伪标签和实际标签之间的损失，随机梯度下降，调整多尺度特征提取网络参数以减少损失。

5.根据权利要求2所述的一种船舶检测方法，其特征在于，所述得到融合数据的具体过程如下：

6.根据权利要求5所述的一种船舶检测方法，其特征在于：所述对原始图像数据进行预处理包括去除噪声、校正辐射定标；所述对预处理后的原始图像数据进行增强的方式包括随机裁剪、翻转、旋转、缩放。

7.根据权利要求6所述的一种船舶检测方法，其特征在于，所述使用特征级融合方法对不同传感器获取的数据进行融合的过程如下：

8.根据权利要求7所述的一种船舶检测方法，其特征在于，所述获取聚集小目标的中心位置的过程如下：

9.一种船舶检测装置，用于权利要求1-8任一项所述的一种船舶检测

10.一种电子设备，包括：

技术总结
本发明公开了一种船舶检测方法，装置及电子设备，涉及船舶检测技术领域。该船舶检测方法，通过构建多尺度特征提取网络并结合特征级融合、数据增强、半监督学习等技术，从标注数据和未标注数据中学习丰富的特征表示，提高了模型在多角度目标和聚集小目标的检测准确率，多尺度特征提取、联合训练框架以及融合遥感数据等手段有效地提升了模型的性能，使其在复杂环境下具备更好的目标识别和定位能力，结合标注数据和未标注数据进行联合训练，以及使用半监督学习方法生成伪标签，使网络能够更充分地利用数据，增强了其泛化能力，同时，数据处理与增强以及传感器融合方法，使网络在不同情况下都能取得良好效果，减少对大量标注数据的依赖。

技术研发人员：柳长源,韦孟祥,臧彦丞
受保护的技术使用者：哈尔滨理工大学
技术研发日：
技术公布日：2024/1/16