(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210900308.6 (22)申请日 2022.07.28 (71)申请人 北京卫星信息 工程研究所 地址 100086 北京市海淀区知春路61号 (72)发明人 杨志才　原皓天　冯鹏铭　关键　 贺广均　金世超　符晗　常江　 刘世烁　梁银川　车程安　 (74)专利代理 机构 北京谨诚君睿知识产权代理 事务所 (特殊普通合伙) 11538 专利代理师 延慧 (51)Int.Cl. G06V 20/10(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/764(2022.01) G06V 10/766(2022.01) G06V 10/77(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) (54)发明名称 SAR图像舰船目标检测方法、 电子设备及存 储介质 (57)摘要 本发明涉及一种SAR图像舰船目标检测方 法、 电子设备及存储介质， 四种单极化图像目标 检测网络指导学生目标检测网络学习 “极化特征 知识”， 全极化的目标检测 网络指导学生目标检 测网络学习输 出端“响应知识 ”， 有效地减少了不 同极化样本分布不均衡情况导致的目标检测模 型训练时存在网络过拟合问题， 使得学生目标检 测网络对于不同极化方式的SAR数据都有较好的 检测能力， 保证了学生目标检测网络的稳定性与 可靠性， 在降低目标检测 网络复杂度的同时， 得 到适用于不同极化SAR图像的舰船目标检测器 。 权利要求书5页 说明书13页 附图3页 CN 115019180 A 2022.09.06 CN 115019180 A 1.一种SAR图像舰船目标检测方法， 包括以下步骤： 步骤S1、 修改数据样本标签， 对SAR数据进行分 极化方式的标注； 步骤S2、 训练适用于全部极化方式图像的第一教师目标检测网络、 适用于HH极化方式 图像的第二教师目标检测网络、 适用于VV极化方式图像的第三教师目标检测网络、 适用于 HV极化方式图像的第四教师目标检测网络和适用于VH极化方式图像的第 五教师目标检测 网络； 步骤S3、 利用训练好的第一教师目标检测网络、 第二教师目标检测网络、 第三教师目标 检测网络、 第四教师目标检测网络和第五教师目标检测网络指导训练学生目标检测网络； 步骤S4、 利用训练好的学生目标检测网络对SAR图像中的舰船目标进行检测。 2.根据权利要求1所述的方法， 其特征在于， 在步骤S2中， 所述第一教师目标检测网以 ResNet‑152为主干网络； 所述第二 教师目标检测网络、 所述第三 教师目标检测网络、 所述第 四教师目标检测网络和所述第五教师目标检测网络均以ResNet ‑50为主干网络 。 3.根据权利要求1所述的方法， 其特征在于， 所述学生目标检测网络采用RetinaNet目 标检测算法， 以ResNet ‑50为主干网络对图像特 征进行提取。 4.根据权利要求3所述的方法， 其特征在于， 在步骤S3中， 利用训练好的第一教师目标 检测网络、 第二 教师目标检测网络、 第三教师目标检测网络、 第四教师目标检测网络和第五 教师目标检测网络指导训练学生目标检测网络， 包括： 利用训练好的第一教师目标检测网络在输出端指导学生目标检测网络， 利用第 二教师 目标检测网络、 第三教师目标检测网络、 第四教师目标检测网络和第 五教师目标检测网络 在中间特 征提取端指导学生目标检测网络 。 5.根据权利要求4所述的方法， 其特征在于， 在利用教师目标检测网络指导训练学生目 标检测网络前， 包括： 步骤S301、 将图像输入到5个教师目标检测网络和1个学生目标检测网络中， 使用对应 的目标检测网络中的主干网络对图像特 征进行提取， 得到特 征图； 步骤S302、 利用特 征金字塔对不同层次的特 征图进行融合得到融合特 征图； 步骤S303、 利用5个教师目标检测网络和1个学生目标检测网络各自对应的检测头对相 对应的融合特 征图进行舰船目标检测。 6.根据权利要求5所述的方法， 其特征在于， 所述检测头包括用于预测图像中的目标位 置的回归框分支和用于预测锚框对应的目标类别的类别预测分支。 7.根据权利要求6所述的方法， 其特征在于， 在步骤S3中， 利用教师目标检测网络指导 训练学生目标检测网络， 具体包括： 步骤S304、 对学生目标网络预测的锚框进行正负样本分配， 与真值框的IoU值大于等于 0.5的锚框设置为 正样本， 参与框的回归和类别损失的计算； 而与真值框的IoU值小于0.4的锚框设置为负样本， 只参与类别损失的计算， 不参与框 的回归； 步骤S305、 分别计算真值标签与学生目标检测网络、 5个教师目标检测网络的预测之间 的损失， 公式为：权　利　要　求　书 1/5 页 2 CN 115019180 A 2其中， 表示正样本的数量， 分别是类别损失函数和回归损失函数， p为第p 个锚框， q为第q个锚框； 步骤S306、 利用第一教师目标检测网络、 第二教师目标检测网络、 第三教师目标检测网 络、 第四教师目标检测网络和第 五教师目标检测网络与真值标签之间的损失， 计算对应的 权重 ， k表示第k教师目标检测网络， 权 重表达式为： 其中， 为第k教师目标检测网络的损失函数值， ； 步骤S303、 计算教师目标检测网络提取的特 征图二值掩膜以区分前 景和背景； 根据标签真值框对图像数据进行 前景与背景的分离， 掩膜M为： i和j是特征图的横坐标和纵坐标， r是 标签真值框映射到特 征图中的范围； 步骤S307、 计算教师目标检测网络提取的特征图尺度掩膜， 用于平衡前景目标以及背 景在损失函数中的作用， 掩膜S为： 其中， i和j为特征图的横纵坐 标， r为标签真值框映射到特征图中的范围， 分别 为真值框映射到特 征图上的高和宽， H、 W分别为特 征图的高和宽； 步骤S308、 分别计算第二教师目标检测网络、 第三教师目标检测网络、 第四教师目标检 测网络和 第五教师目标检测网络的特征图通道注 意力和空间注意力， 得到教师特征图通道 注意力掩膜和空间注意力掩膜， 空间注意力的计算公式为： 权　利　要　求　书 2/5 页 3 CN 115019180 A 3