【技術實現步驟摘要】
本公開涉及合成孔徑雷達與機器視覺領域，尤其涉及一種合成孔徑雷達圖像目標檢測方法、裝置、設備及存儲介質。
技術介紹
1、合成孔徑雷達(synthetic?aperture?radar，sar)因其高分辨率和全天候、全天時工作能力，在軍事、地質和其他領域有著重要應用。sar技術能夠在各種光照和氣候條件下工作，反映物體的物理特性和表面粗糙度，提供與光學和紅外圖像不同的信息。這些優勢使得sar圖像目標檢測成為一個日益重要的研究領域。
2、然而，sar圖像目標檢測面臨著獨特的挑戰。由于sar系統的相干性，sar圖像固有地存在斑點噪聲，這嚴重限制了檢測算法的有效性。相比光學圖像，sar圖像中目標的特征往往不夠清晰，增加了檢測的難度，而且sar圖像可能包含各種復雜的地形和背景，使得目標與背景的區分變得困難。此外sar圖像中的目標可能具有不同的大小、形狀和方向，增加了檢測的復雜性。
3、針對這些挑戰，研究者們進行了多方面的探索。如通過圖像預處理，包括傳統的小波收縮、空間濾波、頻域濾波等技術，以及新興的深度學習去噪方法，這些方法旨在減少sar圖像中的噪聲，提高圖像質量。研究者們嘗試了各種特征提取方法，以更好地捕捉sar圖像中目標的特征，還通過檢測算法改進(例如改進目標定位算法)提高小目標檢測能力。近年來，各種深度學習模型也被應用于sar圖像目標檢測，試圖提高檢測的準確性和魯棒性。
4、盡管sar圖像目標檢測技術不斷發展，現有方法仍存在多項不足。現有技術在處理sar圖像特有的斑點噪聲時效果有限，難以充分利用sar
技術實現思路
1、本公開提出了一種結合去噪網絡和開集目標檢測技術的sar目標檢測模型，解決了當前sar目標檢測領域中未充分處理斑點噪聲的問題，同時克服了傳統目標檢測對于固定類別的限制，還提升了目標檢測精度，擴大了模型的適用性和魯棒性。
2、根據本公開的一個實施例，提出了一種合成孔徑雷達圖像目標檢測方法，包括：
3、獲取待檢測的合成孔徑雷達(sar)圖像；
4、使用去噪網絡對所述sar圖像進行去噪處理，得到去噪后的sar圖像；
5、建立集成的目標檢測模型，所述集成的目標檢測模型包括去噪網絡和去噪網絡后接的開放詞匯目標檢測模型，并使用基于角點距離和側邊重疊信息構建的改進的邊界框回歸損失函數對集成的目標檢測模型進行訓練；
6、將去噪后的sar圖像和文本提示輸入訓練后的開放詞匯目標檢測模型進行特征提取和目標檢測，輸出檢測結果，所述檢測結果包括識別出的目標的邊界框和類別。
7、在一些實施方式中，所述去噪網絡為預訓練的agsdnet模型。
8、在一些實施方式中，所述開放詞匯目標檢測模型的基礎模型為groundingdino模型。
9、在一些實施方式中，所述開放詞匯目標檢測模型采用預訓練的swin?transformer用于圖像特征提取和/或預訓練的bert用于文本特征提取。
10、在一些實施方式中，構建如下的改進的邊界框回歸損失函數lssca：
11、lssca＝lsso+α*lcd，
12、其中，lsso為縮放側重疊損失，lcd為角點距離損失，α為權重系數。
13、在一些實施方式中，基于下式得到縮放側重疊損失lsso：
14、lsso＝-0.5*so,
15、其中，so為預測框與真實框在寬度和高度上的重疊比例。
16、在一些實施方式中，基于下式得到角點距離損失lcd：
17、lcd＝(dcorner1/denclose)+(dcorner2/denclose),
18、其中，dcorner1為預測框與真實框左上角點之間的距離，dcorner2為預測框與真實框右下角點之間的距離，denclose為包含預測框和真實框的最小外接框的對角線距離。
19、在一些實施方式中，所述權重系數α的取值范圍為0<α≤1。
20、在一些實施方式中，使用adamw優化器訓練所述集成的目標檢測模型，adamw優化器的學習率和權重衰減的取值范圍均在10-5到10-3之間。
21、在一些實施方式中，所述文字提示包括至少一個類別。
22、在一些實施方式中，所述檢測結果還包括每個識別出的目標與對應類別間的置信度。
23、根據本公開的一個實施例，提出了一種合成孔徑雷達圖像目標檢測裝置，包括：
24、sar圖像獲取單元，用于獲取待檢測的合成孔徑雷達(sar)圖像；
25、去噪單元，用于使用去噪網絡對所述sar圖像進行去噪處理，得到去噪后的sar圖像；
26、集成模型構建單元，用于建立集成的目標檢測模型，所述集成的目標檢測模型包括去噪網絡和去噪網絡后接的開放詞匯目標檢測模型，并使用基于角點距離和側邊重疊信息構建的改進的邊界框回歸損失函數對集成的目標檢測模型進行訓練；
27、推理單元，用于將去噪后的sar圖像和文本提示輸入訓練后的開放詞匯目標檢測模型進行特征提取和目標檢測，輸出檢測結果，所述檢測結果包括識別出的目標的邊界框和類別。
28、根據本公開的一個實施例，提出了一種電子設備，所述設備包括存儲器、處理器，所述存儲器用于存儲可在處理器上運行的計算機指令，所述處理器用于在執行所述計算機指令時實現如上任一項所述的方法。
29、根據本公開的一個實施例，提出了一種計算機可讀存儲介質，其上存儲有計算機程序，所述程序被處理器執行時實現如上任一項所述的方法。
30、本公開提出的sar圖像目標檢測方法通過結合去噪網絡和開放詞匯目標檢測模型，實現了顯著的性能提升。首先，引入專門的去噪網絡有效減少了sar圖像中的斑點噪聲，提高了圖像質量，為后續的目標檢測奠定了良好基礎。同時，采用開放詞匯目標檢測模型極大地擴展了可檢測的目標類別范圍，使得模型能夠靈活應對各種不同類型的目標，大幅提高了檢測的靈活性和適用性。去噪網絡和開放詞匯目標檢測模型的結合不僅克服了傳統方法對固定類別的限制，還增強了模型處理復雜場景的能力。本公開還引入了改進邊界框回歸損失函數，通過綜合考慮角點距離和側邊重疊信息，顯著提高了目標定位的精確度，特別是在處理sar圖像中邊界模糊的目標時具有良好性能。此外，本公開提出的端到端的集成方案不僅提高了處理效率，還減少了中間步驟可能帶本文檔來自技高網...
【技術保護點】
1.一種合成孔徑雷達圖像目標檢測方法，其特征在于，包括：
2.根據權利要求1所述的合成孔徑雷達圖像目標檢測方法，其特征在于：所述去噪網絡為預訓練的AGSDNet模型。
3.根據權利要求1所述的合成孔徑雷達圖像目標檢測方法，其特征在于：所述開放詞匯目標檢測模型的基礎模型為GroundingDINO模型。
4.根據權利要求1或3所述的合成孔徑雷達圖像目標檢測方法，其特征在于：所述開放詞匯目標檢測模型采用預訓練的Swin?Transformer用于圖像特征提取和/或預訓練的BERT用于文本特征提取。
5.根據權利要求1所述的合成孔徑雷達圖像目標檢測方法，其特征在于：構建如下的改進的邊界框回歸損失函數LSSCA：
6.根據權利要求5所述的合成孔徑雷達圖像目標檢測方法，其特征在于：基于下式得到縮放側重疊損失LSSO：
7.根據權利要求5所述的合成孔徑雷達圖像目標檢測方法，其特征在于：基于下式得到角點距離損失LCD：
8.根據權利要求5所述的合成孔徑雷達圖像目標檢測方法，其特征在于：所述權重系數α的取值范圍為
9.根據權利要求1所述的合成孔徑雷達圖像目標檢測方法，其特征在于，使用AdamW優化器訓練所述集成的目標檢測模型，AdamW優化器的學習率和權重衰減的取值范圍均在10-5到10-3之間。
10.根據權利要求1所述的合成孔徑雷達圖像目標檢測方法，其特征在于，所述文字提示包括至少一個類別。
11.根據權利要求1所述的合成孔徑雷達圖像目標檢測方法，其特征在于，所述檢測結果還包括每個識別出的目標與對應類別間的置信度。
12.一種合成孔徑雷達圖像目標檢測裝置，其特征在于，包括：
13.一種電子設備，其特征在于，所述設備包括存儲器、處理器，所述存儲器用于存儲可在處理器上運行的計算機指令，所述處理器用于在執行所述計算機指令時實現權利要求1至11任一項所述的方法。
14.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述程序被處理器執行時實現權利要求1至11任一項所述的方法。
...【技術特征摘要】
1.一種合成孔徑雷達圖像目標檢測方法，其特征在于，包括：
2.根據權利要求1所述的合成孔徑雷達圖像目標檢測方法，其特征在于：所述去噪網絡為預訓練的agsdnet模型。
3.根據權利要求1所述的合成孔徑雷達圖像目標檢測方法，其特征在于：所述開放詞匯目標檢測模型的基礎模型為groundingdino模型。
4.根據權利要求1或3所述的合成孔徑雷達圖像目標檢測方法，其特征在于：所述開放詞匯目標檢測模型采用預訓練的swin?transformer用于圖像特征提取和/或預訓練的bert用于文本特征提取。
5.根據權利要求1所述的合成孔徑雷達圖像目標檢測方法，其特征在于：構建如下的改進的邊界框回歸損失函數lssca：
6.根據權利要求5所述的合成孔徑雷達圖像目標檢測方法，其特征在于：基于下式得到縮放側重疊損失lsso：
7.根據權利要求5所述的合成孔徑雷達圖像目標檢測方法，其特征在于：基于下式得到角點距離損失lcd：
8.根據權利要求5所述的合成孔徑...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。