(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 202211331616.8 (22)申请日 2022.10.28 (71)申请人 陕西航天技 术应用研究院有限公司 地址 710199 陕西省西安市航天基地 东长 安街504号A1楼220室 (72)发明人 范泽琳　杨笑天　王梁　谭金林　 唐锐　鱼昕　 (74)专利代理 机构 西安乾方知识产权代理事务 所(特殊普通 合伙) 61259 专利代理师 吕智宇 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种少样本条件下基于高分辨率光学卫星 遥感影像的舰船舰级识别技 术 (57)摘要 本发明属于图像目标识别技术领域， 公开了 一种少样本条件下基于高分辨率光学卫星遥感 影像的舰船舰级识别技术。 本发 明采用自由组合 式样本增广方法对光学卫星遥感舰船舰级样本 数据集进行高效增广， 并通过结合CB AM注意力模 块和SE‑SMFR模块改进的YOLOv5s目标检测模型 实现对舰船舰级的有效识别， 解决了光学卫星遥 感舰船舰级样本不足导致识别模型训练困难以 及在高分辨率光学卫星遥感影像中舰船舰级丰 富、 尺度差异大、 分布形态多样， 易受成像条件影 响等导致舰级识别困难的问题， 提高了舰船目标 精细化识别的能力。 权利要求书1页 说明书6页 附图4页 CN 115471759 A 2022.12.13 CN 115471759 A 1.一种少 样本条件下基于 高分辨率光学卫星遥感影像的舰船舰级识别技术， 其特征在 于， 包括： S1、 对光学卫星遥感舰船舰级样本数据集进行自由组合式样本增广； S2、 改进的YOLOv5s舰船舰级识别模型构建； S3、 舰船舰级识别模型训练及测试； S4、 基于高分辨 率光学卫星遥感影 像的舰船舰级识别。 2.根据权利要求1所述的少 样本条件下基于 高分辨率光学卫星遥感影像的舰船舰级识 别技术， 其特征在于， 所述S1中， 自由组合式样本增广为旋转、 镜像、 裁剪、 模糊 、 亮度调整以 及噪声添加中两种及以上样本增广方式配合的多方式增广处 理。 3.根据权利要求1所述的少 样本条件下基于 高分辨率光学卫星遥感影像的舰船舰级识 别技术， 其特征在于， 所述S2中， 改进的YOLOv5s舰船舰级识别模型构建的方法为： ⑴引入CBAM注意力模块， 对原YOLOv5s模型主干网络B ackbone和特征网络层Neck中原 有的CBL模块进行替换； ⑵引入SE‑SMFR模块， 对原YOLOv5s模型CSP1模块中原有的Res  unit残差模块进行替 换。 4.根据权利要求3所述的少 样本条件下基于 高分辨率光学卫星遥感影像的舰船舰级识 别技术， 其特征在于， CBAM注意力模块用于对图像内的目标进 行轮廓分割， 进而辅助对图像 内目标的细节特 征进行高效提取， 模块包 含通道注意力模块和空间注意力模块。 5.根据权利要求4所述的少 样本条件下基于 高分辨率光学卫星遥感影像的舰船舰级识 别技术， 其特征在于， 通道注 意力模块负责对特征进 行基于通道筛选的修正， 空间注意力模 块负责实现特 征在重点区域的聚焦。 6.根据权利要求4所述的少 样本条件下基于 高分辨率光学卫星遥感影像的舰船舰级识 别技术， 其特征在于， CBAM注意力模块的处 理步骤包括： ⑴特征修正； ⑵特征聚焦。 7.根据权利要求3所述的少 样本条件下基于 高分辨率光学卫星遥感影像的舰船舰级识 别技术， 其特征在于， SE ‑SMFR模块用于对图像元特征进行增强融合， 实现 “多—少”样本之 间元特征信息的共享， 并自适应地补偿元 特征微调后产生的偏移。 8.根据权利要求7所述的少 样本条件下基于 高分辨率光学卫星遥感影像的舰船舰级识 别技术， 其特征在于， SE ‑SMFR模块的处 理步骤包括： ⑴压缩； ⑵激励； ⑶融合。权　利　要　求　书 1/1 页 2 CN 115471759 A 2一种少样本条件下基于高分辨 率光学卫星遥感影像的舰船舰 级识别技术 技术领域 [0001]本发明属于图像目标识别技术领域， 具体涉及一种少样本条件下基于高分辨率光 学卫星遥感影 像的舰船舰级识别技 术。 背景技术 [0002]舰船目标作为海上活动的主体， 是海上信息感知的主要对象。 高分辨率光学卫星 具备覆盖范围大、 信息获取迅速、 不受地表环境限制、 定位精度高(可达到数十米量级)、 信 息反映清晰、 且不受目标信号静默影响的特点， 能够为海上舰船识别提供有效的信息支撑。 近年来， 高分辨率光学卫星的发展迅速， 为海上舰船目标识别提供了丰富的数据来源。 但如 何从大数据体量、 大区域覆盖的高分辨率光学卫星遥感数据中， 快速且准确 地识别舰船目 标位置及舰级信息， 是卫星资源有效支撑海上信息感知的关键 。 [0003]以往传统的舰船目标检测识别方法主要聚焦于挖掘舰船目标的特有属性， 对于目 标的检测识别通常分为候选区域提取、 特征提取以及目标分类3个阶段。 由于海 上变化无常 的气象条件和极端复杂环境的影响、 人为伪装， 以及目标的非合作性、 目标类型的多样性， 使得传统的舰船目标识别方法仍存在自动化程度不高、 模型泛化程度不足、 准确 性较低等 问题。 [0004]近年来快速发展的神经网络深度学习技术， 为光学卫星遥感数据中舰船目标的高 效识别提供了新的技术手段。 深度学习， 旨在模拟人脑的深层结构与认知机制建立机器学 习模型， 来解释图像、 语音、 文本等大规模复杂数据， 利用多层体系架构来有效地、 非监督地 提取出底层数据的潜在的典型特征， 可表征复杂高维函数， 进而提供给高层进行分类与回 归， 具备强大的特征提取能力与优秀的泛化性。 当前， 在目标检测领域， 深度学习凭借速度 快、 精度高、 智能化等特点， 已得到广泛的研究与应用。 然而， 深度学习技术在光学卫星遥感 影像舰船目标识别中， 依旧面临高分辨率遥感光学样本数据获取受 限、 高分辨率光学卫星 遥感影像易受多种条件影响导致特征变化大、 高分辨率光学卫星遥感图像中舰船精细化特 征有效提取困难等问题， 使得精细化的舰级识别难以实现。 [0005]术语解释： [0006]YOLOv5s(You  Only Look Once v5s)一种深度学习目标检测 模型， 用于图像中目 标类别和位置的检测。 [0007]CBAM(Convolutional  BlockAttention  Module)卷积注意力机制模块， 用于前馈 卷积神经网络的简单而 有效的注意力模块。 [0008]SE又称SENet(Squeeze  and Excitation  Networks)一种让网络模型对特征进行 校准的机制， 使网络从全局信息出发来选择性的放大有价值的特征通道并且抑制无用的特 征通道。 [0009]SE‑SMFR(Squeeze  and Excitation ‑Second Meta Feature Reweighting)模块， 用于调整图像元 特征的通道权 重， 实现二次重加权， 补偿图像中元 特征的偏移。说　明　书 1/6 页 3 CN 115471759 A 3