[发明专利]一种基于多任务学习的舰船目标识别方法

说明书

本发明公开一种用于基于多任务学习的舰船识别方法，属于计算机视觉领域；具体步骤包括：首先需要使用舰船图片数据进行处理生成灰度图像；建立标签文件，将标签文件转化为适当的格式；选择深度学习框架建立多任务网络模型；选择优化函数，设置迭代次数等超参数，将数据和标签文件输入网络进行训练；在训练完成后保存模型。本发明在计算机视觉、舰船识别领域具有一定的研究意义和价值。

技术领域

本发明属于机器学习中的深度学习部分，具体内容是应用在计算机视觉领域，尤其涉及一种基于多任务学习的舰船目标识别方法。

背景技术

基于多任务学习的舰船目标识别方法是基于深度学习原理，通过卷积神经网络对舰船图片进行特征提取并且共享卷积特征将目标检测、分割和识别三个子任务前后级联进行联合学习，最终实现对舰船目标的识别。

海空背景下舰船目标识别的研究随着科技水平的提升有着突破性的进展，近年来许多国家都将其列为军事重点研究课题。在军用领域舰船的精确识别对于精确制导、海面监控、防御、海船调度、打击走私等具有重要的作用。在民用领域，实时关注目标海域过往船只能够更好地对海域进行管理，对海上交通、海域安全、海上救援等均有重要作用。然而，由于受到环境因素、天气及拍摄条件等诸多条件的干扰，图像的背景比较复杂，目标的形态、角度等会产生很大的变化，因此，舰船目标的自动识别具有很大的难度和挑战性。传统的船舶图像识别算法包括基于特征知识库的船舶图像识别、融合背景差分法与最大类间方差法(OTSU)的识别、基于动静态阈值的船舶图像识别、基于多尺度分形特征的红外图像识别等，虽然可对船舶类型进行简单分类，得出较为精确的结果，但这些结果是在比较小的仿真实验数据集上得到的，结果的泛化性和鲁棒性还需要在更大的数据上进行验证。随着图像处理技术和机器学习理论的发展，以图像语义理解为导向的计算机视觉技术得到了持续的研究。传统卷积神经网络仅使用最后一层卷积层特征来进行分类识别，仅利用了高层次的特征。而在实际的分类识别中，低层次特征和高层次特征可以从不同层面反应目标的信息，有效地利用低层次特征与高层次特征进行融合将有利于构造更全面的描述特征，实现更好的分类识别。与此同时，目标检测和语义分割领域的算法层出不穷，推动着图像识别技术快速发展。不过这些算法存在深层特征学习不够充分以及不能充分利用大规模数据集的优势等缺点，这将影响目标识别研究进展。

本发明在自主构造舰船数据集的基础上，通过将目标检测、分割和识别三个子任务级联进行联合学习，构造基于多任务的舰船目标识别网络模型。通过多任务学习和共享卷积特征提高舰船目标的识别性能，实现不同类型的军船和民船识别。

发明内容

本发明要解决的技术问题是，提供一种基于多任务学习的舰船目标识别方法，用于可见光下的舰船图像检测、分割和识别任务。为实现上述目的，本发明采用如下的技术方案：

一种基于多任务学习的舰船目标识别方法包括以下步骤：

步骤1：对舰船图片数据I_s进行人工处理，将处理结果表示为3通道的灰度图像I_g，其中舰船区域为S，非舰船区域为B；

步骤2：根据I_g建立标签文件L，并且根据S的不同将标签文件转化为适当的形式，形成L₁、L₂；

步骤3：选择深度学习框架(如caffe)，建立合适的多任务网络结构；

步骤4：选择优化函数，同时设置迭代次数等超参数，将I_s、L₁、L₂输入网络进行训练，保存模型用于测试。

本发明在计算机视觉和舰船识别领域具有重要意义和价值，在舰船目标识别方面提出了新的思路和解决方法。

附图说明

图1为原图像；

图2为标签图像；