一种基于模糊损失的SAR图像飞机检测方法及系统

1.一种基于模糊损失的SAR图像飞机检测方法，其特征在于，包括如下步骤：步骤S1：利用二维非归一化的高斯密度函数定义飞机目标；步骤S2：基于FPN设计的SFP结构，先利用DSM和AEM实现对背景干扰的抑制并利用注意力机制实现特征增强；然后，将浅层的细节信息与深层的丰富语义特征进行融合；最后，将不同尺度的特征进行融合，以得到综合特征；步骤S3：基于步骤S2所提取的综合特征，结合ADL和Floss损失函数，通过检测头得到检测结果；其中，所述SFP结构包括：向飞机目标细节的浅层特征图中融入深层的语义信息，其中，增强特征 满足：其中， 表示骨干网络提取的特征， 和 分别表示差分抑制模块和显著特征金字塔， 表示增强后的特征图， 表示上采样模块；聚合特征 被表示为：式中， 为聚合特征后的特征， 为卷积核为3的卷积层， 为线性插值函数；随后，将不同尺度的特征图通过内插方式统一至图像的原始分辨率 ；最后，利用三个可学习参数 来权衡不同尺度特征，进而生成最终的飞机检测密度图：式中， 为网络输出的特征密度图， 、 和 为可学习参数， 为上一级聚合后的特征图。 2.根据权利要求1所述的基于模糊损失的SAR图像飞机检测方法，其特征在于，所述步骤S1具体包括：训练数据中飞机的每个目标框都由一个具有自适应变化的协方差参数的二维非归一化高斯密度函数定义，再重新映射到与样本形状大小相同的矩阵中。 3.根据权利要求1所述的基于模糊损失的SAR图像飞机检测方法，其特征在于，所述步骤S2包括：步骤S2-1：将两个不同层级的特征图调整至统一的形状，利用余弦相关函数计算其相似度以及差异度；步骤S2-2：分别通过 卷积核、 卷积核得到相关系数向量以及差异系数向量；步骤S2-3：将得到的相关系数向量和差异系数向量通过矩阵乘法结合，生成相关分数矩阵，再与原特征图相乘，得到干扰抑制后的特征。 4.根据权利要求3所述的基于模糊损失的SAR图像飞机检测方法，其特征在于，所述步骤S2还包括：步骤S2-4：按照下式将提取的特征先后通过三个不同维度的注意力机制：式中， ， 和 分别表示尺度感知注意力、空间意识注意力和任务感知注意力， 表示注意力机制，表示输入特征层；步骤S2-5：通过级联机制融合三个维度的注意力增强信息。 5.根据权利要求1所述的基于模糊损失的SAR图像飞机检测方法，其特征在于，在所述步骤S3中，ADL具体包括：通过设定阈值 和中心阈值 对样本进行两次划分，界定出正负样本以及中心样本，针对不同的样本，按照下式赋予不同的权值：式中， ， 表示正样本个数， 为聚焦参数， 表示密度图标签， 表示预测密度图， 表示飞机密度损失函数， 表示下采样后标签图的尺寸大小。 6.根据权利要求1所述的基于模糊损失的SAR图像飞机检测方法，其特征在于，在所述步骤S3中，Floss损失函数具体包括：从网络输出密度图中提取出满足 的集合， 表示密度图标签， 为定义的模糊因子；令集合里的标签取距离最近的目标的尺寸标签以及偏移量标签；按照下式分别计算预测尺寸图和中心点偏移量的Smooth损失：式中， 和 分别代表第 个正样本所对应的预测边界框的尺寸， 表示正样本的总数， 表示预测框尺寸损失， 表示中心点偏移量损失， 表示Smooth L1损失函数， 和 分别代表第 个正样本所对应的预测边界框和真实框的中心点偏移量。 7.根据权利要求1-6中任一项所述的基于模糊损失的SAR图像飞机检测方法，其特征在于，所述基于模糊损失的SAR图像飞机检测方法还包括：步骤S0-1-1：基于SADD数据集，按照7:3的比例将数据集划分为两部分，以得到训练集 和测试集 ；步骤S0-1-2：基于SAR-AIRcraft-1.0数据集，在保留原始数据集的划分方式的基础上，对原数据进行切片，构建了新的数据集，得到训练集 和测试集 ；步骤S0-1-3：分别对步骤S0-1-1所得的训练集 和步骤S0-1-2所得的训练集 进行图像重采样，将每个图像的大小调整为448×448，以得到输入的训练集 和训练集 ；步骤S0-1-4：对输入的训练集 和训练集 分别重新定义标签，得到飞机密度图标签 ；步骤S0-2-1：以DLA34作为主干网络，分别将输入的训练集 和训练集 输入主干网络，得到该主干网络的每一层输出特征 和 ；步骤S0-2-2：基于SFP显著特征金字塔结构，提取上述结构中的输出特征 ， 和 作为特征聚合的对象，先使用差分抑制模块和注意力增强模块对特征进行增强，再利用SFP结构进行聚合得到 ， 和 的特征图；步骤S0-2-3：采用级联操作将 ， 和 的特征图进行拼接，得到的输出记为 ，将其送入检测头，得到检测头输出：飞机密度图heatmap、目标框尺寸wh、中心点偏移off；步骤S0-3-1：采用Adam算法初始化Adam优化器，设置学习率，训练轮次和批处理值；步骤S0-3-2：基于损失函数方法构建损失函数，计算其得到的输出与步骤S0-1-4得到的飞机密度图标签的损失；步骤S0-3-3：采用步骤S0-1-3得到的输入的训练集 和训练集 ，在建立的飞机检测模型上使用Adam优化器和损失函数训练模型参数，得到训练好的飞机检测模型；步骤S0-4-1：对测试集 和测试集 分别进行图像重采样，并将每个图像的大小调整为448×448，得到输入的测试集 和测试集 ；步骤S0-4-2：基于得到的输入的测试集 和测试集 ，在飞机检测模型上采用分类网络测试方法进行测试，得到输入的测试集 和测试集 所对应的测试结果 和 ；步骤S0-5-1：以测试结果 为输入，采用评价指标计算方法，求出其 、 、F1、 、、 、 、 ，并分别记为 、 、 、 、 、 、 、 ；其中， 表示精确率， 表示召回率,F1用以衡量模型的准确性和完整性的平衡， ， 表示交并比阈值设置为0.5时的平均精度， 表示交并比阈值设置为0.75时的平均精度， 表示用于评估检测模型对面积<32×32像素的目标的检测性能， 表示用于评估检测模型对32×32像素≤面积<96×96像素的目标的检测性能， 表示用于评估检测模型对面积≥96×96像素的目标的检测性能；步骤S0-5-2以测试结果 为输入，采用评价指标计算方法，求出其 、 、F1、 、 、 、 、 ，并分别记为 、 、 、 、 、 、 、 。 8.一种基于模糊损失的SAR图像飞机检测系统，其特征在于，用于执行如权利要求1-7中任一项技术方案所述的基于模糊损失的SAR图像飞机检测方法，该基于模糊损失的SAR图像飞机检测系统包括：目标编码模块，用于利用二维非归一化的高斯密度函数定义飞机目标；特征增强模块，用于基于FPN设计的SFP结构，先利用DSM和AEM实现对背景干扰的抑制并利用注意力机制实现特征增强；然后，将浅层的细节信息与深层的丰富语义特征进行融合；最后，将不同尺度的特征进行融合，以得到综合特征；损失函数模块，用于基于所提取的综合特征，结合ADL和Floss损失函数，通过检测头得到检测结果。 9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时能够实现权利要求1-7中任一项所述的基于模糊损失的SAR图像飞机检测方法的步骤。