[发明专利]一种基于深度学习的船舶目标检测方法

权利要求书

1.一种基于深度学习的船舶目标检测方法，其特征在于，所述方法包括：

S1、获取船舶数据集；

S2、对船舶数据集中的船舶图像进行图像拼接；

S3、构建船舶目标检测模型；所述船舶目标检测模型包括轻量化骨干网络和注意力金字塔；其中，轻量化骨干网络包括输入层、多个平均池化层以及多个不同尺度的密集连接单元；注意力金字塔包括三个检测分支，分别连接到骨干网络中输出13*13、26*26、52*52尺寸特征图的密集连接单元；注意力金字塔使用有效通道注意力模块，所述有效通道注意力模块位于所述注意力金字塔的最前端，每一检测分支各一个；注意力金字塔中的3*3卷积为空间可分离卷积；

S4、利用构建的船舶目标检测模型进行船舶目标检测，得到船舶检测结果。

2.根据权利要求1所述的基于深度学习的船舶目标检测方法，其特征在于，对船舶数据集中的船舶图像进行图像拼接，包括：图像裁切流程和确定拼接坐标流程；

所述图像裁切流程包括：统计所有船舶的尺寸信息并求出船舶尺寸均值，仅对均值以上的船舶进行下采样；对裁切出的船舶进行随机翻转；保存船舶尺寸信息和图像像素值信息；

所述确定拼接坐标流程包括：将被拼接图像中的船舶下边线作为近似海天线，拼接位置的左下角坐标在图像下边沿和近似海天线之间进行随机选择；

如果使用该坐标时所有船舶的交并比都为0，则保存该坐标；

根据图像裁切流程中的船舶尺寸信息和像素信息完成图像的拼接和xml文件的改写。

3.根据权利要求1所述的基于深度学习的船舶目标检测方法，其特征在于，所述船舶目标检测模型的损失函数包括：置信度损失、类别损失和边框回归损失；

置信度损失和类别损失均采用交叉熵计算；

边框回归损失采用CIoU损失函数，CIoU的计算方式如下：

其中p()为预测框中心点b和真实框中心点b^gt之间的欧氏距离，c为预测框和真实框的最小外接矩形的对角线长度，v用来评价预测框与真实框宽高比的一致性，α是一个平衡权重参数；|w^gt-w|为真实框与预测框宽度差值的绝对值，用以增加宽度回归偏差的惩罚程度，c_w为真实框与预测框的最小外接矩形的宽度值，用来消除不同边框尺寸带来的尺度影响。

4.根据权利要求1所述的基于深度学习的船舶目标检测方法，其特征在于，所述方法还包括：使用DIoU的非极大值抑制方法对冗余预测结果进行删除；

采用DIoU的非极大值抑制方法表示为：

其中DIoU(M，b_i)为最高置信度边框M与其余边框b_i的DIoU距离，ε为非极大值抑制的阈值，s_i为其余边框的分类得分；当DIoU距离大于等于非极大值抑制阈值时，该边框的分类得分被置为0，即删除该边框。

5.根据权利要求4所述的基于深度学习的船舶目标检测方法，其特征在于，所述方法还包括：将置信度作为权重对所有预测框的位置信息进行加权平均计算，将得出的位置信息作为最终的预测结果，计算方式如下所示：

式中，N为所有预测框的数量，(X^bl，Y^bl，X^tr，X^tr)为最终预测位置的左下与右上角点坐标，为预测框的左下与右上角点坐标，ω_i为第i个预测框的权重。

6.根据权利要求5所述的基于深度学习的船舶目标检测方法，其特征在于，所述预测框的权重是置信度与类别概率的乘积，用于削弱低类别概率的预测框对输出结果的贡献度。