融入混合注意力的可变形空洞卷积近岸SAR小舰船检测
目的 在近岸合成孔径雷达(synthetic aperture radar,SAR)图像舰船检测中,由于陆地建筑及岛屿等复杂背景的影响,小型舰船与周边相似建筑及岛屿容易混淆.现有方法通常使用固定大小的方形卷积核提取图像特征.但是小型舰船在图像中占比较小,且呈长条形倾斜分布.固定大小的方形卷积核引入了过多背景信息,对分类造成干扰.为此,本文针对SAR图像舰船目标提出一种基于可变形空洞卷积的骨干网络.方法 首先用可变形空洞卷积核代替传统卷积核,使提取特征位置更贴合目标形状,强化对舰船目标本身区域和边缘特征的提取能力,减少背景信息提取.然后提出3通道混合注意力机制来加强局部细节信息提取,突出小型舰船与暗礁、岛屿等的差异性,提高模型细分类效果.结果 在SAR图像舰船数据集HRSID(high-resolution SAR images dataset)上的实验结果表明,本文方法应用在Cascade-RCNN(cascade region convolutional neural network)、YOLOv4(you only look once v4)和BorderDet(border detection)3种检测模型上,与原模型相比,对小型舰船的检测精度分别提高了3.5％、2.6％和2.9％,总体精度达到89.9％.在SSDD(SAR ship detection dataset)数据集上的总体精度达到95.9％,优于现有方法.结论 本文通过改进骨干网络,使模型能够改变卷积核形状和大小,集中获取目标信息,抑制背景信息干扰,有效降低了SAR图像近岸复杂背景下小型舰船的误检漏检情况.
舰船检测、合成孔径雷达(SAR)图像、可变形卷积、视觉注意力机制、空洞卷积
27
TP183(自动化基础理论)
国家自然科学基金;国家自然科学基金;江苏省自然科学基金
2022-12-26（万方平台首次上网日期，不代表论文的发表时间）
共14页
3663-3676
