[发明专利]一种复杂场景下的SAR图像目标检测方法

权利要求书

1.一种复杂场景下的SAR图像目标检测方法，其特征在于，包括以下步骤：

步骤1、利用YOLOv5网络模型对SAR图像进行特征训练，得到不同场景下目标的初始特征；

步骤2、利用由空间注意力和通道注意力组成的混合注意力模块加强初始特征，得到具有筛选加权特性的特征图，即加强后的特征图；

步骤3、在加强后的特征图上预测目标位置，优化训练损失函数，并使用优化后的损失函数反向更新模型参数。

2.如权利要求1所述的复杂场景下的SAR图像目标检测方法，其特征在于，步骤1所述的利用YOLOv5网络模型对SAR图像进行特征训练，具体包括如下步骤：

步骤1.1、首先将图像按随机缩放、随机裁剪和随机排布的方式进行拼接，增加数据集维度，以此扩大网络的特征学习范围；

步骤1.2、然后将增强后的数据送入YOLOv5网络中进行特征提取和特征融合。

3.根据权利要求1所述的复杂场景下的SAR图像目标检测方法，其特征在于，步骤2所述的利用由空间注意力和通道注意力组成的混合注意力模块加强初始特征，得到具有筛选加权特性的特征图，即加强后的特征图，具体如下：

步骤2.1、计算通道注意力权值W₁∈R^1×1×C，R表示矩阵，设F(i,j,z)∈R^H×W×C为输入混合注意力模块的特征图，其中H、W、C分别为输入特征图的长度、宽度和通道数，i∈[1,H]，j∈[1,W]，z∈[1,C]；

通道注意力模块中，首先将输入特征在空间维度上分别通过均值池化层和最大值池化层压缩降维；然后将压缩后的特征图分别送入感知机层；最后把两个特征图结果叠加后送入激活函数，得到通道注意力权重W₁∈R^1×1×C，如式(1)：

式中σ为Sigmoid函数，f_MLP是由前后两层全连接层和中间一层ReLU函数组成的感知机；为对应元素相加，AT_avg,AT_max分别为均值池化层和最大值池化层，如式(2)和(3)：

通道注意力模块输出特征图为F_C∈R^H×W×C，如式(7)，

F_C＝W₁×F(i,j) (4)

步骤2.2、计算空间注意力权值W₂∈R^H×W×1，首先将输入特征图在通道域上分别通过均值池化层和最大值池化层压缩降维，然后将压缩后的特征图在通道域拼接，最后经组成的卷积层调整通道深度后送入激活函数，得到空间注意力权重W₂∈R^H×W×1，如式(8)：

其中表示7×7大小的卷积核；

步骤2.3、综合通道注意力权值和空间注意力权值，得到加强后的特征图如式F_e(6)

F_e＝W₁×W₂×F(i,j,z) (6)。

4.根据权利要求3所述的复杂场景下的SAR图像目标检测方法，其特征在于，步骤3所述的优化训练损失函数，具体如下：

利用Varifocal Loss函数提升预测框的置信度，训练损失函数Loss如式(7)：

其中P是网络输出预测框的置信度，q是目标IoU分数；

对于训练中得分高于阈值的正样本，模型加大其所占的损失权重；

对于训练中的负样本q均为0；

负样本损失中加入γ降权，并针对负样本损失使用α进行降权。