本发明属于合成孔径雷达舰船目标识别，尤其涉及基于恒虚检测与cam的弱监督sar图像目标检测方法。
背景技术：
1、合成孔径雷达(synthetic aperture radar，sar)图像舰船目标检测在海洋目标感知、情报侦察等方面发挥了重要作用。基于深度学习的图像目标检测已经十分成熟并应用于各个方面，因此，基于深度学习的图像目标检测方法也被应用于sar图像舰船目标检测中，并取得了很好的效果。
2、然而，此类方法均为大数据驱动，即需要大量精确的实例级标注。在星载sar图像中，目标所占的像素个数远低于背景像素个数，此外，由于海杂波的影响，部分背景与目标难以区分。因此，人工标注工作量巨大且标注困难，需要花费大量人力。
3、在弱监督目标检测任务中，标注信息只有图像级标签，没有图像中目标实例的标注信息，可以大大降低人工标注成本。对于弱监督下的sar图像舰船目标检测问题，训练集的图像具有两种标签，有船和无船。如何能够在仅有图像级标注的情况下对sar图像中的舰船目标进行检测是亟待解决的难题。
技术实现思路
1、本发明的目的是提供一种基于恒虚检测与cam的弱监督sar图像目标检测方法，可以增加检测实例的准确性。
2、本发明采用以下技术方案：基于恒虚检测与cam的弱监督sar图像目标检测方法，采用弱监督目标检测网络实现，弱监督目标检测网络包括特征提取网络；
3、包括以下步骤：
4、采用特征提取网络提取待检测sar图像的深度特征，采用恒虚检测器生成待检测sar图像中的候选区域；
5、在深度特征中提取候选区域对应的局部深度特征；
6、分别生成局部深度特征的分类检测结果和分类贡献度；
7、融合分类检测结果和分类贡献度，得到待检测sar图像的图像级标签。
8、优选的，弱监督目标检测网络训练过程中，sar图像的图像级标签通过恒虚检测器和场景分类网络共同确定。
9、优选的，确定sar图像的图像级标签包括：
10、获取场景分类网络输出的类激活映射图；
11、根据类激活映射图修正恒虚检测器输出的第一区域标签，得到第二区域标签；
12、融合第二区域标签，得到sar图像的图像级标签。
13、优选的，根据类激活映射图修正恒虚检测器输出的第一区域标签包括：
14、根据类激活映射图计算恒虚检测器输出的候选区域的分数；其中，分数的计算方法为：
15、
16、式中，score为分数，λ为超参数，为候选区域在类激活映射图中对应区域的像素平均值。
17、优选的，融合分类检测结果和分类贡献度包括：
18、对分类检测结果进行softmax操作，得到操作结果σcls(pc)；
19、对分类贡献度进行softmax操作，得到操作结果σdet(pd)；
20、对σcls(pc)和σdet(pd)进行hadmard积运算，得到候选区域的得分。
21、优选的，操作结果σcls(pc)的计算方法为：
22、
23、其中，[σcls(pc)]ij为σcls(pc)中第i列第j行的元素，为分类检测结果pc中第i列第j行的元素。
24、优选的，操作结果σdet(pd)的计算方法为：
25、
26、其中，[σdet(pd)]ij为σdet(pd)中第i列第j行的元素，为分类贡献度pd中第i列第j行的元素。
27、优选的，弱监督目标检测网络的损失函数为：
28、
29、其中，l表示损失函数，ymk代表第m个训练图像的属于第k类的概率，pmk表示弱监督目标检测网络对第m个训练图像属于第k类的预测概率，bs表示训练图像的数量。
30、优选的，场景分类网络的损失函数为：
31、
32、其中，loss表示场景分类网络的损失函数，y表示训练图像的真实标签，表示场景分类网络对训练图像的预测标签。
33、本发明的另一种技术方案：基于恒虚检测与cam的弱监督sar图像目标检测装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的方法
34、本发明的有益效果是：本发明通过弱监督目标检测提取图像的特征，结合恒虚检测器得到目标候选区域，再将二者结合后进行后续的目标检测流程，可以有效避免后续对候选区域进行分类时出现将只包含目标部分的候选区域分类为目标，可以增加候选区域检测的准确性。
1.基于恒虚检测与cam的弱监督sar图像目标检测方法，其特征在于，采用弱监督目标检测网络实现，所述弱监督目标检测网络包括特征提取网络；
2.如权利要求1所述的基于恒虚检测与cam的弱监督sar图像目标检测方法，其特征在于，所述弱监督目标检测网络训练过程中，sar图像的图像级标签通过恒虚检测器和场景分类网络共同确定。
3.如权利要求2所述的基于恒虚检测与cam的弱监督sar图像目标检测方法，其特征在于，确定所述sar图像的图像级标签包括：
4.如权利要求3所述的基于恒虚检测与cam的弱监督sar图像目标检测方法，其特征在于，根据所述类激活映射图修正所述恒虚检测器输出的第一区域标签包括：
5.如权利要求1所述的基于恒虚检测与cam的弱监督sar图像目标检测方法，其特征在于，融合所述分类检测结果和分类贡献度包括：
6.如权利要求5所述的基于恒虚检测与cam的弱监督sar图像目标检测方法，其特征在于，所述操作结果σcls(pc)的计算方法为：
7.如权利要求5所述的基于恒虚检测与cam的弱监督sar图像目标检测方法，其特征在于，所述操作结果σdet(pd)的计算方法为：
8.如权利要求6或7所述的基于恒虚检测与cam的弱监督sar图像目标检测方法，其特征在于，所述弱监督目标检测网络的损失函数为：
9.如权利要求2所述的基于恒虚检测与cam的弱监督sar图像目标检测方法，其特征在于，场景分类网络的损失函数为：
10.基于恒虚检测与cam的弱监督sar图像目标检测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任一项所述的方法。
