复杂背景下SAR近岸舰船检测
目的 船舶在合成孔径雷达(synthetic aperture radar,SAR)图像中的检测是研究热点,但目前适合近岸舰船检测的方法并不多.在SAR图像中,近岸舰船受到岸上建筑物的干扰严重,尤其是对于排列紧密的近岸船舶来说,其对比度相似,很难区分船舶与背景.为解决近岸舰船检测困难问题,提出了一种基于加权双向注意金字塔网络的近岸舰船检测方法.方法 本文在FCOS(fully convolutional one-stage)网络的基础上提出了一种新的双向特征金字塔网络.将卷积注意力机制模块(convolutional block attention module,CBAM)与金字塔网络的每个特征图进行连接,提取丰富的语义信息特征;借鉴PANet(path aggregation network)的思想,添加自下而上的金字塔模块,突出不同尺度船舶的显著特征.最后提出了一种加权特征融合方式,使特征图提取的特征信息的着重点不同,提高舰船检测精度.结果 本文在公开的SAR图像舰船数据集SSDD(SAR ship detection dataset)上进行实验.实验结果表明,相比原FCOS方法,本文方法的检测精度提高了 9.5%;与对比方法相比,本文方法在同等条件下的检测精度达到90.2%.在速度方面,本文方法比 SSD 提高0.6 s,比 Faster R-CNN(region convolutional neural network)提高1.67 s,明显优于对比方法.结论 本文通过改进特征网络和特征融合方式,提高了算法对SAR图像舰船目标检测中背景复杂、排列紧密的近岸舰船目标的定位效果,有效增强了对舰船目标定位的准确性.
近岸舰船、合成孔径雷达图像、目标检测、复杂背景、深度学习、小目标
26
TP751.1(遥感技术)
国家自然科学基金61471079
2021-06-21(万方平台首次上网日期,不代表论文的发表时间)
共9页
1058-1066