买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨工程大学

摘要：本发明属于深度学习及目标识别技术领域，具体涉及一种用于复杂背景船舶的多目标识别方法。本发明利用环形注意力引导的CNN输出高级特征，以增加对复杂背景图像上目标所在区域的空间信息的获取，特别是具有不同尺度大小的复杂空间位置的船舶目标；通过低级特征通过层间相关反卷积对目标区域中局部特征的关键像素值进行加权，得到复杂背景下详细特征分布的图像；通过循环注意力引导低层特征和高层特征进行联合学习，增强了高层目标区域表达局部细节特征的能力。本发明能够在真实海况、复杂多场景海况、目标类别样本量不均衡的情况下实现船舶多目标识别，在船舶工业与海事管理等领域有较好的使用前景。

主权项：1.一种用于复杂背景船舶的多目标识别方法，其特征在于，包括以下步骤：步骤1：获取待识别的具有复杂背景的船舶图像数据集，将其输入至添加有循环注意力模块的特征提取网络中进行特征提取；步骤2：采用联合的高层次反卷积特征模型，融合层内自相关特征信息和层间互相关特征信息；将具有复杂背景的船舶图像输入至添加有循环注意力模块的特征提取网络后，特征提取网络的上采样输出为M，下采样输出为H，H,M∈RW×H×C，W,H,C分别代表特征图的宽度、高度和通道数；HHT表示用于增强各目标区域空间信息的层内自相关，HHTMT表示给局部特征的关键像素值加权，计算它们的总和来构造多层次特征关联： 其中，表示层内特征自相关和层间特征互相关捕获的局部细节特征的关键像素权重；将关键细节特征的像素信息与上采样的输出M相乘得到使得关键细节特征信息叠加在上采样的低层次输出M中： 其中，表示包含目标区域精细局部特征的低级特征；步骤3：搭建并训练次层次特征和高层次特征联合学习模型；步骤3.1：将反卷积后的低层次特征输出X作为次层次特征和高层次特征联合学习模型的输入，X∈RW×H×C；步骤3.2：将X的张量重塑为特征矩阵，该特征矩阵由n＝W*H,C组成；样本协方差矩阵计算为： 其中，I和1分别为n×n单位矩阵和全1矩阵；∑是一个具有唯一平方根的对称正半定协方差矩阵，∑＝UdiagλiUT，U是正交矩阵，diagλi是对角矩阵，λi为特征值；步骤3.3：计算∑的矩阵平方根Y，给定输入Y0＝∑，Z0＝I，耦合迭代过程如下： 其中，k＝1,…K，代表计算出矩阵唯一平方根的迭代次数，Yk和Zk分别逐渐向Y和Y-1收敛；步骤3.4：通过迹或者Frobenius范数，在后补偿中乘以协方差矩阵的平方根的迹或者使用Frobenius范数来抵消预归一化后数据幅度变化大造成的不利影响，具体计算如下： 其中，λi是∑的特征值；YN是关联的高层次反卷积特征至低层次256通道输出的特征图；步骤3.5：多层次特征关联输出经过协方差池化和后补偿后输出然后经过两个1×1卷积层，输出特征为k,k∈R59×1×1；将k反向更新到ResNet50的高层次特征P中，P∈R59×8×8，整个过程计算如下：V＝Pdiagk+P其中，diagk是维度为8×8，对角线值为k的矩阵；步骤3.6：采用复合损失函数，包含二元交叉熵损失函数和多标签分类损失函数，其中二元交叉熵损失函数用于测量模型的最终预测图像和对应的真实图像，多标签分类损失函数用测量从上采样中恢复的图像和相应的下采样真实图像；对于给定一个训练的数据集Ii代表第i张图像，代表第i张图片上相应的真实标签，复合损失函数为二元交叉熵损失函数和多标签分类损失函数的加权和：其中和分别代表二元交叉熵损失函数和多标签分类损失函数，α是平衡这两项损失函数的权重参数，和的计算公式为： 其中，代表第i个图像中的第j个类别预测的分数；代表上采样恢复的第i个图像中第j个类别的分数；步骤4：将待识别的具有复杂背景的船舶图像经过步骤1、步骤2提取得到的反卷积后的低层次特征输入至训练好的次层次特征和高层次特征联合学习模型中，完成复杂背景船舶的多目标识别。

全文数据：

权利要求：

百度查询： 哈尔滨工程大学 一种用于复杂背景船舶的多目标识别方法