(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 20221081819 9.3 (22)申请日 2022.07.12 (71)申请人 温州旦光文具有限公司 地址 325000 浙江省温州市龙港市银苑 大 厦A座9楼F室 (72)发明人 赵小龙　韩中军　 (74)专利代理 机构 北京恒泰铭睿知识产权代理 有限公司 1 1642 专利代理师 郭建明 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/22(2022.01) G06V 10/24(2022.01) G06V 10/26(2022.01) G06V 10/762(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 基于高低轨联合的海上目标监测方法及其 系统 (57)摘要 本申请实施例提供一种基于高低轨联合的 海上目标监测方法及其系统， 其使用具有至少两 个尺寸不同的卷积核的第一卷积神经网络对由 高轨卫星采集的针对于海上目标的第一卫星图 像进行多级卷积处理得到第一特征图， 以及使用 第二卷积神经网络对由低轨卫星采集的针对于 所述海上目标的第二卫星图像进行空间自适应 归一化处理得到第二特征图， 均加强了局部特征 的提取， 以避免海上目标的特征丢失， 然后对第 一特征图和第二特征图进行柯西 归一化处理， 以 便于在强化局部特征的信息提取的同时也不损 失全局特征的信息， 这样有利于提高海上目标检 测的精度。 权利要求书2页 说明书16页 附图5页 CN 115171044 A 2022.10.11 CN 115171044 A 1.一种基于高低轨联合的海上目标监测方法， 其特征在于， 所述方法包括： 获取由高轨 卫星采集的针对于海上目标 的第一卫星图像以及由低轨卫星采集的针对于所述海上目标 的第二卫星图像； 将所述第一卫星图像通过第一卷积神经网络以获得第一特征图， 其中， 所 述第一卷积神经网络的各层 包括显著检测模块， 所述显著检测模块使用至少两个尺寸不同 的卷积核对输入数据进行多级 卷积处理； 将所述第二卫星图像通过第二卷积神经网络以获 得第二特征图， 其中， 所述第二卷积神经网络使用空间自适应归一化对所述第二卫星图像 进行处理以生成所述第二特征图； 分别对所述第一特征图和所述第二特征图进行柯西归一 化处理以生成校正后第一特征图和校正后第二特征图； 融合所述校正后第一特征图和所述 校正后第二特征图 以生成融合特征图； 以及对所述融合特征图进 行图像分割以获得图像分 割结果， 所述图像分割结果用于表示海上目标的位置 。 2.根据权利要求1所述的基于 高低轨联合的海上目标监测方法， 其中， 将所述第 一卫星 图像通过第一卷积神经网络以获得第一特征图， 包括： 所述卷积神经网络的各层在层的正 向传递中分别对输入数据进行： 使用具有第一尺 寸的第一卷积核对所述输入数据进行卷积 处理以生成第一卷积特征图； 使用具有第二尺寸的第二卷积核对所述第一卷积特征图进 行 卷积处理以生成第二卷积特征图， 其中， 所述第一卷积核的第一尺寸大于所述第二卷积核 的第二尺寸； 对所述第二卷积特征图进行池化处理以生成池化特征图； 以及对所述池化特 征图进行非线性激活以生成激活特征图； 其中， 所述第一卷积神经网络的最后一层输出 的 所述激活特 征图为所述第一特 征图。 3.根据权利要求2所述的基于 高低轨联合的海上目标监测方法， 其中， 所述第 一卷积核 为3×3的卷积核， 所述第二卷积核为1 ×1的点卷积核。 4.根据权利要求3所述的基于 高低轨联合的海上目标监测方法， 其中， 将所述第 二卫星 图像通过第二卷积神经网络以获得第二特征图， 包括： 将所述第二卫星图像通过所述第二 卷积神经网络的第一部 分以从所述第一部 分的最后一层输出卷积特征图； 将所述卷积特征 图通过第一卷积层以获得第一再卷积特征图； 将所述卷积特征图通过第二卷积层以获得第 二再卷积特征图； 对所述第二再卷积特征图进行批归一化处理以生成批归一化第二再卷积 特征图； 以及计算所述批归一化第二再卷积特征图和所述第一再卷积特征图的按位置点加 以生成所述第二特 征图。 5.根据权利要求4所述的基于 高低轨联合的海上目标监测方法， 其中， 分别对所述第 一 特征图和所述第二特征图进行柯西归一化处理以生成校正后第一特征图和校正后第二特 征图， 包括： 以如下公式对第一特征图和第二特征图分别进行柯西归一化， 其中， 所述公式 为： 其中fi,j,k为特征图中的每 个位置的特 征值。 6.根据权利要求5所述的基于 高低轨联合的海上目标监测方法， 其中， 融合所述校正后 第一特征图和所述校正后第二特征图以生成融合特征图， 包括： 以如下公式来计算所述校 正后第一特征图和所述校正后第二特征图的加权和以获得所述融合特征图,其中， 所述公 式为：权　利　要　求　书 1/2 页 2 CN 115171044 A 2Fs＝ λFa+Fg 其中， Fs为所述融合特征图， Fa为所述校正后第一特征图， Fg为所述校正后第二特征图， “+”表示所述校正后第一特征图和所述校正后第二特征图相对应位置处的元素相加， λ为用 于控制所述校正后第一特 征图和所述校正后第二特 征图之间的平衡的加权参数。 7.一种海上目标监测系统， 其特征在于， 包括： 获取模块， 用于获取由高轨卫星采集的 针对于海上目标的第一卫星图像以及由低轨卫星采集的针对于所述海上目标 的第二卫星 图像； 第一卷积模块， 用于将所述第一卫星图像通过第一卷积神经网络以获得第一特征图， 其中， 所述第一卷积神经网络的各层包括显著检测模块， 所述显著检测模块使用至少 两个 尺寸不同的卷积核对输入数据进行多级卷积处理； 第二卷积模块， 用于将所述第二卫星图 像通过第二卷积神经网络以获得第二特征图， 其中， 所述第二卷积神经网络使用空间自适 应归一化对所述第二卫星图像进行处理以生成所述第二特征图； 柯西归一化处理模块， 用 于分别对所述第一特征图和所述第二特征图进行柯西归一化处理以生成校正后第一特征 图和校正后第二特征图； 融合模块， 用于融合所述校正后第一特征图和所述校正后第二特 征图以生成融合特征图； 以及图像分割模块， 用于对所述融合特征图进行图像分割以获得 图像分割结果， 所述图像分割结果用于表示海上目标的位置 。 8.根据权利要求7所述的海上目标监测系统， 其中， 所述第一卷积模块还用于： 所述卷 积神经网络的各层在层的正向传递中分别对输入数据进行： 使用具有第一尺寸的第一卷积 核对所述输入数据进 行卷积处理以生成第一卷积特征图； 使用具有第二尺寸的第二卷积核 对所述第一卷积特征图进行卷积处理以生成第二卷积特征图， 其中， 所述第一卷积核的第 一尺寸大于所述第二卷积核的第二尺寸； 对所述第二卷积特征图进行池化处理以生成池化 特征图； 以及 对所述池化特征图进 行非线性激活以生成激活特征图； 其中， 所述第一卷积神 经网络的最后一层输出的所述激活特 征图为所述第一特 征图。 9.根据权利要求8所述的海上目标监测系统， 其中， 所述第二卷积模块还用于： 将所述 第二卫星图像通过所述第二卷积神经网络的第一部分以从所述第一部分的最后一层输出 卷积特征图； 将所述卷积特 征图通过第一卷积层以获得第一再 卷积特征图； 将所述卷积特征图通过第 二卷积层以获得第 二再卷积特征图； 对所述第 二再卷积特征 图进行批归一化处理以生成批归一化第二再卷积特征图； 以及计算所述批归一化第二再卷 积特征图和所述第一再 卷积特征图的按位置点加以生成所述第二特 征图。 10.根据权利要求9所述的海上目标监测系统， 其中， 所述柯西归一化处理模块还用于： 以如下公式对第一特 征图和第二特 征图分别进行柯西归一 化， 其中， 所述公式为： 其中fi,j,k为特征图中的每 个位置的特 征值。权　利　要　求　书 2/2 页 3 CN 115171044 A 3