[发明专利]一种基于干扰抑制和动态轮廓的雾天场景船舶实例分割方法

权利要求书

1.一种基于干扰抑制和动态轮廓的雾天场景船舶实例分割方法，其特征是：包括以下步骤：

步骤1：建立雾天场景下船舶实例分割网络

所述雾天场景下船舶实例分割网络包括特征提取网络，参数生成网络，干扰抑制模块，轮廓分支和分割网络。

所述特征提取网络使用深层残差卷积网络输出不同尺寸的特征进行高层与低层特征的融合构成特征金字塔。

所述参数生成网络是分别连接在特征金字塔的不同输出特征图上进行参数预测，保证了多尺度目标的分割精度。参数生成网络由3组并行的Convs卷积层组成，输出为控制器分类器o_x，y和控制器θ_x，y。

所述干扰抑制模块，使船舶实例分割网络更加注重有效信息特征，抑制海雾对分割船舶的干扰。干扰抑制模块分别从像素和通道两方面提取有效特征，输出结果为F_IR。

所述轮廓分支，用于提取轮廓特征作为动态轮廓学习模块的输入。轮廓分支由四个3×3的卷积组成，连接一个特征融合模块来融合轮廓特征F_contour和掩模特征F_mask。

所述分割网络，用于动态预测每个实例的掩码和轮廓。分割网络包括掩码模块和动态轮廓学习模块，均由三个1×1的8通道卷积组成。动态轮廓学习模块仅用作辅助主网络的训练并不参与最终测试。同时结合所述轮廓分支使用动态卷积来学习模糊船舶的轮廓并辅助雾天场景中的掩码预测。

步骤2：训练雾天船舶实例分割网络

设计损失函数用于优化雾天船舶实例分割网络的训练。

所述损失函数为L＝L_fcos+L_mask+λL_contour，其中L_contour(p_b，g_b)＝L_dice(p_b，g_b)+L_BCE(p_b，g_b)。L_fcos、L_mask和L_contour分别表示Fcos损失、掩码损失和轮廓损失。λ表示L_contour的权重系数，设置为1。L_dice表示Dice损失和L_BCE是二值交叉熵损失，g_b是轮廓真实结果，p_b是轮廓预测结果。

建立海上雾天船舶实例分割数据集Foggy ShipInsseg用于网络训练。

所述Foggy ShipInsseg数据集包含5739张雾天图像和10900个精细实例掩码注释，分为Fog-Train、Fog-Test和Real-Fog三个子数据集。海上雾天船舶数据采用雾天图像模拟方法进行数据扩展。该方法在真实的海洋图像上生成模拟雾。数据集包括了真实雾天图像和模拟雾天图像。

步骤3：测试雾天船舶实例分割效果

将待测试的Fog-Test和Real-Fog数据集图像输入已经训练好的雾天船舶实例分割模型，得到船舶分割结果。

2.根据权利要求1所述的一种基于干扰抑制和动态轮廓的雾天场景船舶实例分割方法，其特征在于是：所述特征提取网络的特征金字塔为Resnet-50-FPN和Resnet-101-FPN。

3.根据权利要求1所述的一种基于干扰抑制和动态轮廓的雾天场景船舶实例分割方法，其特征在于是：所述损失函数中其中DCLM表示动态轮廓学习模块，是轮廓特征，是动态轮廓学习模块的卷积参数。