[发明专利]一种多维度增强学习合成孔径雷达图像目标检测方法

权利要求书

1.一种多维度增强学习合成孔径雷达图像目标检测方法，其特征在于，包括以下步骤：

基于无锚框目标检测算法构建骨干网络LWBackbone；

骨干网络LWBackbone采用融合混合域注意力机制对合成孔径雷达图像中的目标进行特征提取，所述混合域注意力机制为将通道注意力的提取结果输入空间注意力进行特征提取；

将提取的特征依次输入3层不同权重的特征融合BiFPN层进行不同尺度的特征融合；

设置具有空洞卷积结构的ASPP模块在检测头RFEHead的输入端，设置不同空洞率卷积改变检测头RFEHead的感受野；

特征融合结果经过空洞卷积结构后输入至检测头RFEHead，所述检测头RFEHead对目标物体的多尺度信息进行不同感受野的空间层级化信息提取；

将空间层级化信息提取结果输入目标检测网络CenterNet，进行空间层级化信息提取结果的分类和检测，输出目标检测结果；

其中，所述骨干网络LWBackbone，包括：

stem block单元：由3x3可变形的卷积层构成，接收合成孔径雷达图像特征进行卷积操作，卷积结果输入至OSA单元；

OSA单元：依次序由四个阶段的OSA模块构成，所述OSA模块对卷积结果进行深度可分离卷积，输出特征提取结果，其中，OSA模块由3个3x3深度可分离卷积串联形成，串联结果最后聚合到一个通道上进行输出。

2.如权利要求1所述的一种多维度增强学习合成孔径雷达图像目标检测方法，其特征在于，所述OSA模块采用stride值为2的3x3最大池化层进行降采样，模型最终的stride值为32。

3.如权利要求1所述的一种多维度增强学习合成孔径雷达图像目标检测方法，其特征在于，所述混合域注意力机制为将通道注意力的提取结果输入空间注意力进行特征提取，其步骤包括：

采用比例因子测量通道的方差，并应用权重稀疏惩罚因子获取其权重；

将通道注意力得到特征图作为空间注意力的输入，进行全局最大池化和全局平均池化，得到两个H×W×1的特征图；

将两个特征图基于通道维度进行拼接，再使用7x7的卷积核降维到一通道；

使用激活函数sigmoid生成空间特征图并与输入特征做乘法，得到特征提取结果。

4.如权利要求1所述的一种多维度增强学习合成孔径雷达图像目标检测方法，其特征在于，所述具备空洞卷积结构的ASPP模块，包括：

全局平均池化得到图像每层的特征，并进行1x1卷积，再双线性插值到原始大小；

分别利用一个1x1卷积层以及3个3x3不同的空洞率卷积；

将5个不同尺度的特征在通道维度连接在一起，送入1x1卷积进行融合输出。

5.如权利要求1所述的一种多维度增强学习合成孔径雷达图像目标检测方法，其特征在于，还包括：对合成孔径雷达图像进行预处理，预处理的步骤包括：

根据标签选择性复制合成孔径雷达图像中的目标物体，对目标物体进行角度和大小的随机转换；

对合成孔径雷达图像进行背景分割，识别图像中的背景区域；

将复制出来的目标使用泊松融合的方法粘贴至背景区域，并通过设置阈值和对标签文件的读取，确保粘贴的对象不与任何现有的对象重叠以及距图像边界至少五个像素。