具体实施方式

下面结合附图对本发明的实施方案和效果进行详细说明：

参照图1，本发明的基于CNN的双极化通道融合舰船目标尺寸估计方法的实现步骤如下：

步骤1，获取训练样本和测试样本。

从公开的OpenSARShip数据集中挑选出五类舰船目标作为实验数据集，在实验数据集中随机选取70％为训练样本数据，30％为测试样本数据。每个样本包含了VH、VV两个极化通道的图像以及船舶自动识别系统AIS提供的尺寸真值(长度、宽度)。

图2为本发明中的两个样本的双极化通道图像；图2(a)为VH极化通道图像，图2(b)为VV极化通道图像。由图2可知，VV通道往往具有更高的信噪比，更适于海洋目标检测。相比于VV通道，VH通道较少地受海洋环境影响，对体散射有更好的表现。在不同的环境下，两极化通道信息可以互为补充，充分利用两极化通道信息的优势，可以较好地提高舰船目标尺寸估计精度。

步骤2，构建基于卷积神经网络的舰船目标尺寸估计网络框架Ψ及参数。

具体的，步骤2包含以下子步骤：

子步骤2.1，参照图3，构建基于卷积神经网络的舰船目标尺寸估计网络框架Ψ，具体如下：

1)设置十七层卷积层，即第一层卷积层L₁、第二层卷积层L₂、第三层卷积层L₃、第四层卷积层L₄、第五层卷积层L₅、第六层卷积层L₆、第七层卷积层L₇、第八层卷积层L₈、第九层卷积层L₉、第十层卷积层L₁₀、第十一层卷积层L₁₁、第十二层卷积层L₁₂、第十三层卷积层L₁₃、第十四层卷积层L₁₄、第十五层卷积层L₁₅、第十六层卷积层L₁₆、第十七层卷积层L₁₇；

2)设置一层最大池化层，即第一层最大池化层P₁；

3)设置四层全连接层，即第一层全连接层Fc₁、第二层全连接层Fc₂、第三层全连接层Fc₃、第四层全连接层Fc₄；

4)将1)的十七层卷积层、2)的一层最大池化层与3)的四层全连接层依次交叉排列，即由第一层卷积层L₁、第一层最大池化层P₁、第二层卷积层L₂、第三层卷积层L₃、第四层卷积层L₄、第五层卷积层L₅、第六层卷积层L₆、第七层卷积层L₇、第八层卷积层L₈、第九层卷积层L₉、第十层卷积层L₁₀、第十一层卷积层L₁₁、第十二层卷积层L₁₂、第十三层卷积层L₁₃、第十四层卷积层L₁₄、第十五层卷积层L₁₅、第十六层卷积层L₁₆、第十七层卷积层L₁₇、第一层全连接层Fc₁、第二层全连接层Fc₂、第三层全连接层Fc₃、第四层全连接层Fc₄依次串联构成的基于卷积神经网络的舰船目标尺寸估计网络框架Ψ。

子步骤2.2，设置网络框架Ψ的各层参数；

第一层卷积层L₁，输入图像数据x₁，尺寸大小为128×128×2，其卷积核K₁的窗口大小为7×7，滑动步长为2，填充参数P＝3，用于对输入数据做卷积运算，输出64个特征图Y₁,Y₁尺寸大小为64×64×64；

第一层最大池化层P₁，输入数据为Y₁,填充参数P＝1，池化核U₁的窗口大小为3×3，滑动步长为2，用于对输入数据做下采样运算，输出特征图Y₂的大小为32×32×64；

第二层卷积层L₂，输入数据为Y₂，其卷积核K₂的窗口大小为3×3，滑动步长为1，填充参数P＝1，用于对输入数据做卷积运算，输出64个特征图Y₃，Y₃尺寸大小为32×32×64；

第三层卷积层L₃，输入数据为Y₃，其卷积核K₃的窗口大小为3×3，滑动步长为1，填充参数P＝1，用于对输入数据做卷积运算，输出64个特征图Y₄，Y₄尺寸大小为32×32×64；

第四层卷积层L₄，输入数据为Y₂+Y₄，即Y₂与Y₄相对应通道上的特征图中像素值进行相加运算，运算结果作为第四层卷积层L₄的输入，其卷积核K₄的窗口大小为3×3，滑动步长为1，填充参数P＝1，用于对输入数据做卷积运算，输出64个特征图Y₅，Y₅尺寸大小为32×32×64；

第五层卷积层L₅，输入数据为Y₅，其卷积核K₅的窗口大小为3×3，滑动步长为1，填充参数P＝1，用于对输入数据做卷积运算，输出64个特征图Y₆，Y₆尺寸大小为32×32×64；

第六层卷积层L₆，输入数据为Y₄+Y₆，即Y₄与Y₆相对应通道上的特征图中像素值进行相加运算，运算结果作为第六层卷积层L₆的输入，其卷积核K₆的窗口大小为3×3，滑动步长为2，填充参数P＝1，用于对输入数据做卷积运算，输出128个特征图Y₇，Y₇尺寸大小为16×16×128；

第七层卷积层L₇，输入数据为Y₇，其卷积核K₇的窗口大小为3×3，滑动步长为1，填充参数P＝1，用于对输入数据做卷积运算，输出128个特征图Y₈，Y₈尺寸大小为16×16×128；

第八层卷积层L₈，输入数据为Y'₆+Y₈，其中Y'₆也就是图3中虚线表示的部分，即Y'₆是由Y₆经过卷积核大小为1×1，通道数为128，滑动步长为2，填充参数P＝0卷积运算之后的输出，尺寸大小为16×16×128；Y'₆+Y₈即Y'₆与Y₈相对应通道上的特征图中像素值进行相加运算，运算后的结果作为第八层卷积层L₈的输入，其卷积核K₈的窗口大小为3×3，滑动步长为1，填充参数P＝1，用于对输入数据做卷积运算，输出128个特征图Y₉，Y₉尺寸大小为16×16×128；

第九层卷积层L₉，输入数据为Y₉，其卷积核K₉的窗口大小为3×3，滑动步长为1，填充参数P＝1，用于对输入数据做卷积运算，输出128个特征图Y₁₀，Y₁₀尺寸大小为16×16×128；

第十层卷积层L₁₀，输入数据为Y₈+Y₁₀，即Y₈与Y₁₀相对应通道上的特征图中像素值进行相加运算，运算结果作为第十层卷积层L₁₀的输入，其卷积核K₁₀的窗口大小为3×3，滑动步长S_L10为2，填充参数P＝1，用于对输入数据做卷积运算，输出256个特征图Y₁₁，Y₁₁尺寸大小为8×8×256；

第十一层卷积层L₁₁，输入数据为Y₁₁，其卷积核K₁₁的窗口大小为3×3，滑动步长为1，填充参数P＝1，用于对输入数据做卷积运算，输出265个特征图Y₁₂，Y₁₂尺寸大小为8×8×256；

第十二层卷积层L₁₂，输入数据为Y'₁₀+Y₁₂，其中Y'₁₀是由Y₁₀经过卷积核大小为1×1，通道数为256，滑动步长为2，填充参数P＝0卷积运算之后的输出，尺寸大小为8×8×256；Y'₁₀+Y₁₂即Y'₁₀与Y₁₂相对应通道上的特征图中像素值进行相加运算，运算后的结果作为第第十二层卷积层L₁₂的输入，其卷积核K₁₂的窗口大小为3×3，滑动步长为1，填充参数P＝1，用于对输入数据做卷积运算，输出256个特征图Y₁₃，Y₁₃尺寸大小为8×8×256；

第十三层卷积层L₁₃，输入数据为Y₁₃，其卷积核K₁₃的窗口大小为3×3，滑动步长为1，填充参数P＝1，用于对输入数据做卷积运算，输出256个特征图Y₁₄，Y₁₄尺寸大小为8×8×256；

第十四层卷积层L₁₄，输入数据为Y₁₂+Y₁₄，即Y₁₂与Y₁₄相对应通道上的特征图中像素值进行相加运算，运算结果作为第十四层卷积层L₁₄的输入，其卷积核K₁₄的窗口大小为3×3，滑动步长为2，填充参数P＝1，用于对输入数据做卷积运算，输出512个特征图Y₁₅，Y₁₅尺寸大小为4×4×512；

第十五层卷积层L₁₅，输入数据为Y₁₅，其卷积核K₁₅的窗口大小为3×3，滑动步长为1，填充参数P＝1，用于对输入数据做卷积运算，输出512个特征图Y₁₆，Y₁₆尺寸大小为4×4×512；

第十六层卷积层L₁₆，输入数据为Y'₁₄+Y₁₆，其中Y'₁₄是由Y₁₆经过卷积核大小为1×1，通道数为512，滑动步长为2，填充参数P＝0卷积运算之后的输出，尺寸大小为4×4×512；Y'₁₄+Y₁₆即Y'₁₄与Y₁₆相对应通道上的特征图中像素值进行相加运算，运算后的结果作为第第十六层卷积层L₁₆的输入，其卷积核K₁₆的窗口大小为3×3，滑动步长为1，填充参数P＝1，用于对输入数据做卷积运算，输出512个特征图Y₁₇，Y₁₇尺寸大小为4×4×512；

第十七层卷积层L₁₇，输入数据为Y₁₇，其卷积核K₁₇的窗口大小为3×3，滑动步长为1，填充参数P＝1，用于对输入数据做卷积运算，输出512个特征图Y₁₈，Y₁₈尺寸大小为4×4×512；

第一层全连接层Fc₁，其设有2048个神经元，输入数据为特征融合向量O_f，O_f是由Y₆、Y₁₀、Y₁₄、Y₁₈组成的行向量，即将Y₆、Y₁₀、Y₁₄、Y₁₈分别拉成1×65536、1×32768、1×16384、1×8192的行向量，之后进行拼接成O_f，O_f尺寸是1×122880。通过ReLU激活函数进行非线性映射，输出一个2048维行向量X¹作为第二层全连接层的输入；其中ReLU激活函数的数学表达式f(x)为：

f(x)＝max(0,x)

上式中，x表示ReLU激活函数的输入值,ReLU激活函数f(x)输出值为x、0中的最大值。

第二层全连接层Fc₂，其设有1024个神经元，用于对第一层全连接层Fc₁输出的2048维行向量X¹通过ReLU激活函数进行非线性映射，输出一个1024维行向量X²，作为第三层全连接层Fc₃输入；

第三层全连接层Fc₃，其设有256个神经元，用于对第二层全连接层Fc₂输出的1024维行向量X²通过ReLU激活函数进行非线性映射，输出一个256维行向量X³，作为输出层的输入；

第四层全连接层Fc₄，其设有2个神经元，用于对第三层全连接层Fc₃输出的256维行向量X³通过ReLU激活函数进行非线性映射，输出一个2维行向量X⁴，作为舰船目标尺寸估计的结果。

步骤3，将所述训练样本数据输入到构建好的所述基于卷积神经网络的舰船目标尺寸估计网络框架Ψ中进行训练，得到训练好的卷积神经网络框架Ψ′。

具体的，步骤3包含以下子步骤：

子步骤3.1，将训练样本数据输入到构建好的基于卷积神经网络的舰船目标尺寸估计网络框架Ψ中，计算网络输出层的损失函数loss：

loss＝(y_true-y_prediction)²

其中，y_true为样本舰船的真实尺寸，y_prediction为样本舰船目标的估计尺寸。

子步骤3.2，通过反向传播算法和冲量随机梯度下降法对网络进行训练，更新网络中每一层的参数，参数更新公式：

ω_i+1＝ω_i+v_i+1

其中，v_i为第i次迭代时的速度参数，0.9为冲量参数，0.0005为权值衰减系数，i为迭代次数，ε为学习率，ω_i为第i次迭代的权值参数，L为损失函数即网络输出层的损失函数loss。

网络中权值利用均值为0，方差为0.01的高斯分布随机初始化，初始速度v设为0。

子步骤3.3，重复子步骤3.2，反复迭代不断更新参数，直到损失函数Loss收敛，得到训练好的卷积神经网络框架Ψ′。

步骤4，将所述测试样本数据输入到所述训练好的卷积神经网络框架Ψ′中，得到测试样本的尺寸估计结果。

本发明的效果可通过以下实验数据进一步说明：

一.实验条件：

1)实验数据：

实验所用数据为上海交通大学整理的OpenSARShip数据集，数据集可由上海交通大学的OpenSAR平台下载得到，下载网址为https://opensar.sjtu.edu.cn/。实验数据集来自于干涉宽幅IW模式下的VV、VH极化通道，分辨率为20m×20m，像素间距为10m。本实验所用舰船图像的尺寸真值为船舶自动识别系统AIS提供，使用的数据集包含五类舰船目标：油轮Tanker、货船Cargo、散货船Bulk carrier、普通货船General cargo、集装箱船Container。

实验选取的数据集共包含2467个样本共计4934幅目标图像，每个样本包含了VV、VH两个极化通道的图像，图像大小均为128×128，随机选取数据集的70％为训练样本，包含1727个样本共计3454幅目标图像，数据集的30％为测试样本，包含740个样本共计1480幅目标图像。

2)评价准则

为了定性评价本方法在舰船长宽估计中的性能，实验采用了平均绝对误差MAE(Mean Absolute Error)以及平均相对误差MAPE(Mean Absolute Percentage Error)两个指标来反映性能，计算公式如下所示：

上式中，j表示第j个样本，y_j表示第j个样本中舰船目标的真实尺寸，y′_j表示第j个样本中舰船目标的估计尺寸。

实验一：用本发明方法与现有方法在上述实验数据集上进行对比实验。为了验证本发明的尺寸提取效果，将尺寸提取结果与其它方法进行对比，对比结果如表1所示。

表1本发明方法与现有方法尺寸估计精度对比结果

在表1中，现有方法为基于双极化融合和非线性回归的舰船尺寸估计方法，主要包括图像预处理和非线性回归两个阶段，实验复现的方法与原始方法可能存在细节上的差异。从表1可以看出，利用本发明对舰船目标进行尺寸估计的误差小于现有方法的估计误差，实现了更好的目标尺寸估计性能，且有更高的鲁棒性。

实验二：用本发明方法对上述实验数据进行实验，对目标估计尺寸与目标真实尺寸的对比结果进行可视化，结果如图4所示，其中：

图4(a)是利用本发明得到的目标估计长度与目标真实长度的对比结果；图4(b)是利用本发明得到的目标估计宽度与目标真实宽度的对比结果。从图4可以看出，利用本发明得到的目标尺寸估计值与目标的真实尺寸值存在很高的相关性。

以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。