CN117351352A - 基于轻量化YOLOv5网络模型的SAR船舶图像目标识别方法 - Google Patents
基于轻量化YOLOv5网络模型的SAR船舶图像目标识别方法 Download PDFInfo
- Publication number
- CN117351352A CN117351352A CN202311329290.XA CN202311329290A CN117351352A CN 117351352 A CN117351352 A CN 117351352A CN 202311329290 A CN202311329290 A CN 202311329290A CN 117351352 A CN117351352 A CN 117351352A
- Authority
- CN
- China
- Prior art keywords
- network model
- lightweight
- yolov5
- loss
- sar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012795 verification Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000002372 labelling Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 241000238102 Scylla Species 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于轻量化YOLOv5网络模型的SAR船舶图像目标识别方法，包括如下步骤：选取SAR‑Ship‑Dataset数据集中的图片并划分为训练集和验证集；搭建轻量化YOLOv5网络模型，其中，所述轻量化YOLOv5网络模型引入MobileNet模块和Ghost Bottleneck模块，并采用SIOU作为损失函数；利用训练集和验证集对所述轻量化YOLOv5网络模型进行训练，得到训练好的轻量化YOLOv5网络模型；将待测试的SAR船舶图像输入到训练好的轻量化YOLOv5网络模型中，识别船舶目标。该船舶图像目标识别方法，参数和运算量少，可确保SAR图像检测的精度，缩短训练时间。
Description
技术领域
本发明涉及船舶或其他水上船只检测识别领域，具体是一种基于轻量化的YOLOv5网络模型的SAR船舶图像目标识别方法。
背景技术
合成孔径雷达(SAR)是一种使用雷达技术获取地面或目标信息的无源遥感技术，因其高分辨率、无遥感源及不受天气影响等优势，已成为海洋监测的重要技术手段之一。同时，在SAR图像分辨率的逐步提高与深度学***衡等问题，这使得YOLOv5训练时间长、训练精度难以保证。
因此，如何对YOLOv5进行改进，并将其应用到SAR船舶图像目标识别方法中，成为亟待解决的问题。
发明内容
鉴于此，本发明的目的在于将应用于光学图像识别的深度学习方法迁移至SAR图像识别中，并将该模型轻量化来减少模型的参数和运算量，提高SAR图像检测的精度，缩短训练时间。
本发明公开了一种基于轻量化的YOLOv5网络模型的SAR船舶图像目标识别方法。包含以下步骤：
S1：选取SAR-Ship-Dataset数据集中的图片并划分为训练集和验证集；
S2：搭建轻量化YOLOv5网络模型，其中，所述轻量化YOLOv5网络模型在传统YOLOv5网络模型的基础上引入MobileNet模块和Ghost Bottleneck模块，并采用SIOU作为轻量化YOLOv5网络模型的损失函数，所述MobileNet模块替换传统YOLOv5网络模型中的骨干网络中的所有模块，所述Ghost Bottleneck模块替换传统YOLOv5网络模型中的颈部网络中的CSP模块，同时，采用GhostConv模块替换传统YOLOv5网络模型中颈部网络中的Conv模块；
S3：利用S1中的训练集和验证集对所述轻量化YOLOv5网络模型进行训练，得到训练好的轻量化YOLOv5网络模型；
S4：将待测试的SAR船舶图像输入到训练好的轻量化YOLOv5网络模型中，识别船舶目标。
优选，S1中，训练集和验证集按照7:3的比例随机划分。
进一步优选，S1还包括如下步骤：使用图片标注工具LabelImg为选择的每个训练样本标注标签，并将标注锚框的位置信息和类别信息保存为文本文件。
进一步优选，S2中，SIOU损失的计算公式如下：
式中，IoU表示IoU损失，Δ表示距离损失，Ω表示形状损失；
其中，距离损失的计算公式如下：
式中，γ＝2-Λ，(c'w,c'h)为真实框和预测框最小外接矩形的宽和高，/>为真实框的中心坐标，/>为预测框的中心坐标，Λ表示角度损失，计算公式如下：
式中，ch为真实框和预测框中心点的高度差，σ为真实框和预测框中心点的距离；
形状损失的计算公式如下：
式中，(w,h)和(wgt,hgt)分别为预测框和真实框的宽和高，θ表示对形状损失的关注程度，θ的取值范围为[2,6]；
IoU损失的计算公式如下：
本发明提供的基于轻量化的YOLOv5网络模型的SAR船舶图像目标识别方法，与传统的YOLOv5方法相比，有三个主要不同点，骨干网络采用MobileNet轻量化模块，颈部网络采用Bottleneck模块，同时采用损失函数SIOU替换损失函数DIOU。本发明提供的基于轻量化的YOLOv5网络模型的SAR船舶图像目标识别方法的参数量相比YOLOv5降低了很多，但是检测精度、MAP等模型评价指标并未有明显的下降，在一定程度上保证了模型的精度和实用性。
附图说明
图1是本发明提供的基于轻量化的YOLOv5网络模型的SAR船舶图像目标识别方法的流程图；
图2是本发明采用的轻量化的YOLOv5网络的结构示意图；
图3是可视化目标检测结果对比图；
图4为角度损失计算过程中的相关参数示意图。
具体实施方式
下面将结合具体的实施方案对本发明进行进一步的解释，但并不局限本发明。
如图1所示，本发明公开了一种基于轻量化的YOLOv5网络模型的SAR船舶图像目标识别方法，包含以下步骤：
S1：选取SAR-Ship-Dataset数据集中的图片并划分为训练集和验证集；
优选，训练集和验证集按照7:3的比例随机划分，使用图片标注工具LabelImg为选择的每个训练样本标注标签，并将标注锚框的位置信息和类别信息保存为文本文件；
S2：搭建轻量化YOLOv5网络模型，其中，如图2所示，所述轻量化YOLOv5网络模型在传统YOLOv5网络模型的基础上引入MobileNet(MNE)模块和Ghost Bottleneck模块，并采用Scylla Intersection over Union(SIOU)作为轻量化YOLOv5网络模型的损失函数，所述MobileNet(MNE)模块替换传统YOLOv5网络模型中的骨干网络中的所有模块，所述GhostBottleneck模块替换传统YOLOv5网络模型中的颈部网络中的CSP模块，同时，采用GhostConv模块替换传统YOLOv5网络模型中颈部网络中的Conv模块；
其中，传统YOLOv5的骨干网络共有十层，其中包含了卷积层、Cross StagePartial(CSP)模块、Spatial Pyramid Pooling Fast(SPPF)模块，本发明用轻量化模块MobileNet(MNE)代替原骨干网络中的所有模块，并将原来的十层扩展为十一层；
本发明采用Ghost Bottleneck模块替换传统YOLOv5网络模型中的颈部网络中的CSP模块，同时，采用GhostConv模块替换传统YOLOv5网络模型中颈部网络中的Conv模块，可以在不影响网络训练检测精度的同时，极大的优化网络的参数规模和计算资源消耗；GhostBottleneck模块类似于ResNet中的基本残差块，主要由两个堆叠的Ghost模块组成，第一个模块当作扩展层增加通道数，而第二个模块减少通道数，最后使用ShortCut连接这两个Ghost模块的输入和输出；
其中，SIOU损失在IOU基础上进一步考虑了真实框和预测框之间的向量角度，具体计算公式如下：
式中，IoU表示IoU损失，Δ表示距离损失，Ω表示形状损失；
其中，距离损失的计算公式如下：
式中，γ＝2-Λ，(c'w,c'h)为真实框和预测框最小外接矩形的宽和高，/>为真实框的中心坐标，/>为预测框的中心坐标，Λ表示角度损失，计算公式如下：
式中，ch为真实框和预测框中心点的高度差，σ为真实框和预测框中心点的距离，事实上，如图4所示，等于角度α，/>
为真实框的中心坐标，/>为预测框的中心坐标，可以注意到，当α为/>或0时，角度损失为0，在训练过程中若/>则最小化α，否则最小化β；
形状损失的计算公式如下：
式中，(w,h)和(wgt,hgt)分别为预测框和真实框的宽和高，θ表示对形状损失的关注程度，θ的取值范围为[2,6]。IoU损失的计算公式如下：
S3：利用S1中的训练集和验证集对所述轻量化YOLOv5网络模型进行训练，得到训练好的轻量化YOLOv5网络模型；
S4：将待测试的SAR船舶图像输入到训练好的轻量化YOLOv5网络模型中，识别船舶目标，如：船舶目标的边界框位置、类别标签和置信度分数等信息。
本发明提供的基于轻量化的YOLOv5网络模型的SAR船舶图像目标识别方法，与传统的YOLOv5方法相比，有三个主要不同点，骨干网络采用MobileNet轻量化模块，颈部网络采用Bottleneck模块，同时采用损失函数SIOU替换损失函数DIOU。本发明提供的基于轻量化的YOLOv5网络模型的SAR船舶图像目标识别方法的参数量相比YOLOv5降低了很多，但是检测精度、MAP等模型评价指标并未有明显的下降(如图3所示)，在一定程度上保证了模型的精度和实用性。
上面对本发明的实施方式做了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (4)
1.基于轻量化YOLOv5网络模型的SAR船舶图像目标识别方法，其特征在于，包含如下步骤：
S1：选取SAR-Ship-Dataset数据集中的图片并划分为训练集和验证集；
S2：搭建轻量化YOLOv5网络模型，其中，所述轻量化YOLOv5网络模型在传统YOLOv5网络模型的基础上引入MobileNet模块和Ghost Bottleneck模块，并采用SIOU作为轻量化YOLOv5网络模型的损失函数，所述MobileNet模块替换传统YOLOv5网络模型中的骨干网络中的所有模块，所述Ghost Bottleneck模块替换传统YOLOv5网络模型中的颈部网络中的CSP模块，同时，采用GhostConv模块替换传统YOLOv5网络模型中颈部网络中的Conv模块；
S3：利用S1中的训练集和验证集对所述轻量化YOLOv5网络模型进行训练，得到训练好的轻量化YOLOv5网络模型；
S4：将待测试的SAR船舶图像输入到训练好的轻量化YOLOv5网络模型中，识别船舶目标。
2.根据权利要求1所述的基于轻量化YOLOv5网络模型的SAR船舶图像目标识别方法，其特征在于：S1中，训练集和验证集按照7:3的比例随机划分。
3.根据权利要求1所述的基于轻量化YOLOv5网络模型的SAR船舶图像目标识别方法，其特征在于：S1还包括如下步骤：使用图片标注工具LabelImg为选择的每个训练样本标注标签，并将标注锚框的位置信息和类别信息保存为文本文件。
4.根据权利要求1所述的基于轻量化YOLOv5网络模型的SAR船舶图像目标识别方法，其特征在于：S2中，SIOU损失的计算公式如下：
式中，IoU表示IoU损失，Δ表示距离损失，Ω表示形状损失；
其中，距离损失的计算公式如下：
式中，(c'w,c'h)为真实框和预测框最小外接矩形的宽和高，/>为真实框的中心坐标，/>为预测框的中心坐标，Λ表示角度损失，计算公式如下：
式中，ch为真实框和预测框中心点的高度差，σ为真实框和预测框中心点的距离；
形状损失的计算公式如下：
式中，(w,h)和(wgt,hgt)分别为预测框和真实框的宽和高，θ表示对形状损失的关注程度，θ的取值范围为[2,6]；
IoU损失的计算公式如下：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311329290.XA CN117351352A (zh) | 2023-10-13 | 2023-10-13 | 基于轻量化YOLOv5网络模型的SAR船舶图像目标识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311329290.XA CN117351352A (zh) | 2023-10-13 | 2023-10-13 | 基于轻量化YOLOv5网络模型的SAR船舶图像目标识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117351352A true CN117351352A (zh) | 2024-01-05 |
Family
ID=89355436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311329290.XA Pending CN117351352A (zh) | 2023-10-13 | 2023-10-13 | 基于轻量化YOLOv5网络模型的SAR船舶图像目标识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117351352A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117576553A (zh) * | 2024-01-15 | 2024-02-20 | 中国海洋大学 | 双极化sar图像海洋冰涡识别方法、装置和电子设备 |
-
2023
- 2023-10-13 CN CN202311329290.XA patent/CN117351352A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117576553A (zh) * | 2024-01-15 | 2024-02-20 | 中国海洋大学 | 双极化sar图像海洋冰涡识别方法、装置和电子设备 |
| CN117576553B (zh) * | 2024-01-15 | 2024-04-02 | 中国海洋大学 | 双极化sar图像海洋冰涡识别方法、装置和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Spencer Jr et al. | Advances in computer vision-based civil infrastructure inspection and monitoring | |
| CN108647585B (zh) | 一种基于多尺度循环注意力网络的交通标识符检测方法 | |
| CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和*** | |
| CN111985376A (zh) | 一种基于深度学习的遥感影像舰船轮廓提取方法 | |
| CN111507222B (zh) | 一种基于多源数据知识迁移的三维物体检测框架 | |
| CN114495029B (zh) | 一种基于改进YOLOv4的交通目标检测方法及*** | |
| CN111738113A (zh) | 基于双注意力机制与语义约束的高分辨遥感图像的道路提取方法 | |
| CN113177560A (zh) | 一种普适性轻量级深度学习车辆检测方法 | |
| CN113076804B (zh) | 基于YOLOv4改进算法的目标检测方法、装置及*** | |
| CN117351352A (zh) | 基于轻量化YOLOv5网络模型的SAR船舶图像目标识别方法 | |
| CN110610165A (zh) | 一种基于yolo模型的船舶行为分析方法 | |
| CN111652273A (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
| CN113255555A (zh) | 中国交通标志牌识别方法、***、处理设备及存储介质 | |
| CN109325407B (zh) | 基于f-ssd网络滤波的光学遥感视频目标检测方法 | |
| CN116740344A (zh) | 一种基于知识蒸馏的轻量化遥感影像语义分割方法及装置 | |
| CN113177503A (zh) | 基于yolov5的任意朝向目标十二参数检测方法 | |
| CN113159215A (zh) | 一种基于Faster Rcnn的小目标检测识别方法 | |
| CN115424237A (zh) | 一种基于深度学习的前向车辆识别与距离检测方法 | |
| CN112364709A (zh) | 基于编码识别的机柜智能资产盘点方法 | |
| CN114358133B (zh) | 一种基于语义辅助双目视觉slam检测回环帧的方法 | |
| CN117456480B (zh) | 一种基于多源信息融合的轻量化车辆再辨识方法 | |
| CN113284185B (zh) | 用于遥感目标检测的旋转目标检测方法 | |
| CN114943870A (zh) | 线特征提取模型的训练方法及装置、点云匹配方法及装置 | |
| CN116612382A (zh) | 一种城市遥感图像目标检测方法和装置 | |
| CN115019174B (zh) | 基于像素重组和注意力的上采样遥感图像目标识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |