(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 20221078046 3.9 (22)申请日 2022.07.04 (71)申请人 清华大学 地址 100084 北京市海淀区清华园 申请人 清华大学深圳国际研究生院 (72)发明人 李刚　秦川　王学谦　刘瑜　何友　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 罗岚 (51)Int.Cl. G06V 20/13(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/44(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) (54)发明名称 一种光学遥感图像舰船目标旋转检测方法 和装置 (57)摘要 本发明公开了一种光学遥感图像舰船目标 旋转检测方法和装置， 该方法包括： 获取待检测 图像数据； 其中， 待检测图像数据包括待检测港 口图像和待检测港口图像对应标签信息； 将待检 测图像数据输入至预设的网络模型得到待检测 港口图像特征图， 根据待检测港口图像特征图和 待检测港口图像对应标签信息进行损失计算得 到网络模型的最优检测权重； 基于最优检测权重 得到待检测图像数据的舰船目标检测结果。 本发 明提升对光学遥感图像中舰船目标的检测精度， 着重解决近岸港口等复杂场景下检测精度不高 和大长宽目标检测效率低的难点问题。 权利要求书2页 说明书12页 附图4页 CN 115294465 A 2022.11.04 CN 115294465 A 1.一种光学遥感图像舰船目标旋转检测方法， 其特 征在于， 包括以下步骤： 获取待检测图像数据； 其中， 所述待检测图像数据包括待检测港口图像和待检测港口 图像对应标签信息； 将所述待检测图像数据输入至预设的网络模型得到所述待检测港口图像特征图， 根据 所述待检测港口图像特征图和所述待检测港口图像对应标签信息进行损失计算得到所述 网络模型的最优检测权 重； 基于所述 最优检测权 重得到所述待检测图像数据的舰船目标检测结果。 2.根据权利要求1所述的方法， 其特征在于， 所述网络模型的网络为双路分割注意力网 络DSA‑Net， 所述将待检测 港口图像数据输入至预设的网络模型得到待检测 港口图像特征 图， 包括： 在所述DSA ‑Net的Backbone阶段， 通过加入的上下文位置模块CLM使得网络利用所述待 检测港口图像的空间位置信息， 形成多尺度特 征图； 以及， 在所述DSA‑Net的Neck阶段， 通过加入的全局通道模块GCM使得网络融合所述多尺度特 征图的通道信息得到最终特 征图。 3.根据权利要求2所述的方法， 其特征在于， 所述在DSA ‑Net的Backbone阶段， 通过加入 的上下文位置模块CLM使得网络提取所述待检测港口图像包含的船舰目标特征信息， 形成 多尺度特 征图， 包括： 在所述DSA‑Net的Backbo ne阶段， 输入预设尺寸的待检测港口图像； 通过预设的卷积神经网络的池化操作和利用上下文位置模块CLM根据上下文位置关 系， 使得网络利用所述预设尺寸的待检测港口图像的空间位置信息， 得到所述多尺度特征 图。 4.根据权利 要求2所述的方法， 其特征在于， 所述在DSA ‑Net的Neck阶段， 通过加入的全 局通道模块GC M使得网络融合所述多尺度特 征图的通道信息得到最终特 征图， 包括： 在所述DSA ‑Net的Neck阶段， 利用插值的方法和加入的全局通道模块GCM， 使得网络对 所述多尺度特 征图的通道信息进行融合操作得到所述 最终特征图。 5.根据权利要求2所述的方法， 其特征在于， 所述根据待检测港口图像特征图和所述待 检测港口图像对应标签信息进行损失计算得到所述网络模型的最优检测权 重， 包括： 在所述DSA‑Net的Head阶段加入斜全交并比SkewCI oU； 利用所述SkewCIoU损失函数对提取的所述最终特征图的特征信息与所述待检测港口 图像对应标签信息进行损失计算； 根据损失计算得到差值结果， 并基于所述差值结果得到所述网络模型的最优检测权 重。 6.一种光学遥感图像舰船目标旋转检测装置， 其特 征在于， 包括： 数据采集模块， 用于获取待检测图像数据； 其中， 所述待检测图像数据包括待检测港口 图像和待检测港口图像对应标签信息； 权重获取模块， 用于将所述待检测图像数据输入至预设的网络模型得到所述待检测港 口图像特征图， 根据所述待检测港口图像特征图和所述待检测港口图像对应标签信息进 行 损失计算得到所述网络模型的最优检测权 重； 图像检测模块， 用于基于所述最优检测权重得到所述待检测图像数据的舰船目标检测权　利　要　求　书 1/2 页 2 CN 115294465 A 2结果。 7.根据权利要求6所述的装置， 其特征在于， 所述网络模型为双 路分割注意力网络DSA ‑ Net， 所述权 重获取模块， 包括： 在DSA‑Net的Backbone阶段， 通过加入的上下文位置模块CLM使得网络利用所述待检测 港口图像的空间位置信息， 形成多尺度特 征图； 以及， 在DSA‑Net的Neck阶段， 通过加入的全局通道模块GCM使得网络融合所述多尺度特征图 的通道信息得到最终特 征图。 8.根据权利要求7 所述的装置， 其特 征在于， 所述权 重获取模块， 还用于， 在DSA‑Net的Backbo ne阶段， 输入预设尺寸的待检测港口图像； 通过预设的卷积神经网络的池化操作和利用上下文位置模块CLM根据上下文位置关 系， 使得网络利用所述预设尺寸的待检测港口图像的空间位置信息， 得到所述多尺度特征 图。 9.根据权利要求7 所述的装置， 其特 征在于， 所述权 重获取模块， 还用于， 在DSA‑Net的Neck阶段， 利用插值的方法和加入的全局通道模块GCM， 使得网络对所述 多尺度特 征图的通道信息进行融合操作得到所述 最终特征图。 10.根据权利要求7 所述的装置， 其特 征在于， 所述权 重获取模块， 还用于： 在所述DSA‑Net的Head阶段加入斜全交并比SkewCI oU； 利用所述SkewCIoU损失函数对提取的所述最终特征图的特征信息与所述待检测港口 图像对应标签信息进行损失计算； 根据损失计算得到差值结果， 并基于所述差值结果得到所述网络模型的最优检测权 重。权　利　要　求　书 2/2 页 3 CN 115294465 A 3