基于生成式对抗网络的合成孔径雷达舰船数据增广在改进单次多盒检测器中的应用

针对合成孔径雷达（SAR）图像舰船目标检测领域舰船数据获取成本较高、数据集稀少的问题,提出一种基于像素对像素（pix2pix）生成式对抗网络(GAN)的数据增广技术。制作一个用于pix2pix GAN的数据集,通过对GAN网络的训练和测试得到800张新的SAR舰船样本,并对生成的典型样本进行了客观评价;针对传统SAR舰船目标检测算法鲁棒性差、易受斑点噪声影响的缺点,提出一种基于改进单次多盒检测器(SSD)的SAR舰船检测算法,通过在SSD加入Inception模块增强其对多尺寸目标适应性,提高检测器性能;将pix2pix GAN生成的SAR舰船数据进行标注后加入改进的SSD中,在SAR舰船检测数据集上进行大量对比实验。实验结果表明：当将生成的样本加入原SSD后,检测精度比原SSD检测算法提高了4.3%;当将生成的样本加入改进的SSD后,检测精度相比改进的SSD提高了1.9%;检测器中没有加入生成样本的情况下,改进SSD算法相比原SSD检测算法,检测精度提升了4.7%.     

面向合成孔径雷达图像任意方向舰船检测的改进YOLOv3模型

为实现合成孔径雷达(SAR)图像舰船检测能同时输出目标位置和方位角估计信息,提出基于改进YOLOv3的任意方向舰船目标检测模型。定义有利于模型参数回归稳定性的角度范围,根据垂直框和旋转框预测结果定义多任务损失函数。通过融合垂直框和旋转框预测结果进行目标方位角估计校正,以进一步提高检测性能。采用SAR舰船目标检测数据集(SSDD+)和高分辨率SAR图像数据集(HRSID)分别进行改进模型的性能测试和迁移测试。实验结果表明：对于SSDD+,当交并比为0.5时平均精度均值mAP_0.5达到了0.841;对HRSID进行迁移测试时,mAP_0.5能够达到0.530;当网络输入尺寸为416×416时处理一帧图像耗时约为25 ms;采用高分辨率可见光舰船数据集(HRSC2016)进行改进模型的适用性测试,mAP_0.5为0.888,超过了部分已知模型的精度;该改进模型适用于纯海洋背景下SAR图像中的舰船目标检测,能够满足舰船目标检测的实时性需求。     

SAR 图像目标检测方法综述

目标检测是合成孔径雷达(synthetic aperture radar,SAR)图像方面的研究热点,综述SAR图像目标检测的几种方法.通过对传统方法SAR图像目标检测和基于深度学习的SAR图像目标检测进行梳理总结,从实验方面验证深度学习在复杂背景下SAR图像舰船检测存在的问题,分析目前SAR图像目标检测算法的优势和存在的不足,明确SAR图像目标检测急需解决的问题.     

基于[KG-*9]Ghost卷积与注意力机制的SAR图像建筑物检测算法

针对深度卷积神经网络存在模型参数量大、占用内存资源等问题,提出了一种基于轻量化网络的SAR图像建筑物检测算法。首先以旋转目标检测算法R-centernet为基础,将主干网络中的传统卷积替换为Ghost卷积,并构建Ghost-ResNet网络,降低模型参数量;其次提出了融合宽高信息的通道注意力模块,增强网络对图像中显著区域的精确定位能力;使用CARAFE上采样代替网络中的DCN模块,在上采样过程中充分结合特征图信息,提高目标检测能力;最后使用改进的R-centernet算法在旋转标注的SAR图像建筑物数据集上进行训练与测试。实验结果表明,相比于原始R-centernet算法,改进后的算法准确率提高了3.8%,召回率提高了1.2%,检测速度提高了12帧/s。     

海面舰船目标复合电磁散射的镜像多路径模型

针对传统四路径模型存在的平面近似误差问题,提出了海面舰船目标复合散射的镜像多路径模型。该模型合理解释了目标下方粗糙海面镜像反射单元斜率缓变对耦合散射的影响。数值仿真实验表明,这种包含船海各部分散射单元的振幅和相位信息的场叠加模型,可以有效地应用于海上舰船目标散射特征的识别和SAR图像仿真。     

合成孔径雷达围像特征关键度分析与分类算法研究

针对合成孔径雷达( SAR)图像目标分类问题，从灰度和纹理特征分析出发，提出了一种SAR图像分类特征量的关键性度量指标。利用关键系数的概念定义了关键特征量、次关键特征量、非关键特征量和关键度。从灰度模型和纹理模型的特征统计量中选择关键度高的特征量，如灰度模型中的均值和方差、纹理模型中的角二阶矩、对比度、均匀性和相关性。针对SAR图像分类往往是多类别、多特征的情况，通过构造特征向量，定义向量距离，按照最小距离方法进行目标分类。为了提高计算速度和更好地描述特征量，引入了窗口方法。仿真和计算结果表明该方法行之有效。     

基于改进快速区域卷积网络的目标检测轻量化算法

基于深度学习的目标检测算法已成为合成孔径雷达（SAR）图像目标检测任务的主流。深层网络通常具有大量参数,运行速度不能满足实时要求,难以在资源受限的设备(如移动端)上部署。考虑到对模型实时性和可移植性的要求,对双阶段目标检测算法快速区域卷积神经网络进行轻量化改进,比较不同改进方法对算法速度与精度的影响。结合SAR图像的特点,优化轻量化模型,与单阶段目标检测算法的单脉冲多盒检测网络对比。仿真实验结果表明,改进轻量化模型在保持原有精度水平下,模型占用内存和算法运算量大大减少,可有效满足SAR图像目标检测的实时性要求。     

基于导向重构与降噪稀疏自编码器的合成孔径雷达目标识别

为解决现有合成孔径雷达（SAR）目标识别算法泛化能力差和算法复杂度高等问题,提出一种基于导向重构与降噪稀疏自编码器的SAR目标识别分类算法。利用导向重构算法对SAR图像进行两尺度融合预处理,生成一维图像矢量并作归一化处理,以降低图像输出特征的维度,提高预处理的速度;采用减少降噪自编码器隐层神经元方式对图像进行低维特征抽取和识别;使用Softmax分类器进行分类处理。实验结果表明,通过导向重构与降噪稀疏自编码器的SAR目标识别算法,不仅提高了目标识别性能以及泛化能力,而且降低了自编码器的隐层神经元数量和计算复杂度,网络结构也得到改进和优化。     

一种基于改进SIFT的SAR图像配准算法

为克服SIFT (scale-invariant feature transform)描述子应用于SAR图像配准领域时配准精度低的不足,提出一种基于改进SIFT的SAR图像精确配准算法.该方法首先提取特征点的SIFT描述子和改进的旋转不变纹理化特征描述子,再利用典型相关分析特征融合算法将2种描述子融合,形成新的特征描述子,计算2幅图像中各个特征点间的改进加权距离并通过预先设定好的阈值完成粗匹配,最后通过随机抽样一致性算法去除误匹配实现精匹配,并代入仿射变换模型以求得变换参数,完成图像的配准.仿真结果表明:该方法的匹配性能明显优于SIFT及PCA-SIFT算法,能够有效处理图像在尺度变化、灰度变化、旋转角度变化的情况下SAR图像配准问题,且配准精度达到了亚像素级.     

稀疏相关指数在SAR图像特征选择中的应用

采用正则化多任务稀疏表示(RMTSR)模型,即在多个特征域中进行图像稀疏表示,并约束稀疏向量的结构相同的方法,可实现SAR图像目标识别,但多特征的弱关联可能导致模型的目标识别正确率较低。将稀疏相关指数(SCI)用于衡量任务关联强弱,然后推导出非线性相关信息熵(NCIE),选择相关性强的特征组合。最后,在MSTAR数据集上进行实验,从特征冗余性和目标识别性能两个方面分析基于SCI的特征选择方法。结果表明:训练样本减半时,选择的特征组合能达到91.09%的识别正确率;训练样本为1/4时,识别正确率为89.89%。     

基于MCNN-GRU 的舰面目标碰撞预警方法

为提升甲板舰面目标的转运安全性,提出一种多个CNN-GRU(multiple CNN-GRU,MCNN-GRU)碰撞 预警网络模型。该网络融合了卷积神经网络(convolutional neural network,CNN)对单时间步信息特征的提取能力以 及门控循环单元(gate recurrent unit,GRU)对时序序列的记忆能力,通过多通道网络结构提升对多时间步信息特征的 处理性能;在数据集上,利用目标检测网络和关键点检测网络、位姿解算模型及碰撞检测方法制作舰面目标碰撞预 警数据集。通过不同网络在数据集上进行实验的结果表明：该模型对舰面目标的双机碰撞预警精度为92.44%,具有 较好的效果。     

基于多特征核协同表示的SAR 目标识别

为利用合成孔径雷达(synthetic aperture radar,SAR)目标不同特征数据间的相关性与互补性,提出一种基 于多特征的Tikhonov 正则化核函数协同表示(multi-feature kernel collaborative representation- based classification with tikhonov regularization,MFKCRT)算法。采用美国运动和静止目标获取与识别(moving and stationary target acquisition and recognition,MSTAR)计划公开发布的SAR 图像数据库进行实验,实现核函数变换空间上的多特征融合协同表示 识别。实验结果表明：该算法相较于基本的协同表示,具有更优的可靠性与鲁棒性。     

基于特征组合的舰船目标粗识别方法研究

针对单一特征量无法准确识别目标的缺点,文中利用特征组合方式进行目标粗识别.首先,利用基于图相似性分割方法提取目标的二值图像;然后,计算目标仿射不变矩并利用分类器进行聚类分析;最后,通过最小外接矩形法提取目标几何参数,并依据图像分辨率计算出实际目标参数,且与舰船目标配属库进行比对,实现目标粗识别.实验结果表明,该方法鲁棒性强,易于实现,通过实测数据可以识别出舰船目标类别.     

复杂战场对抗环境下空中目标抗干扰识别算法

针对复杂背景和红外诱饵对抗环境下红外成像攻坚破甲导弹空中目标识别的难题,提出融合强判别性特征的抗干扰识别算法,将区域生成、特征学习和分类识别融合至抗干扰算法中,形成从像素至区域,再到特征识别的逐级抽象的识别框架。首先通过模拟典型战场环境,生成大量不同对抗态势下的目标特性库,作为算法研究的基础;然后由像素相似性聚类形成候选区域,完成区域“粗粒度”定位;再将提取的各区域特征输入至特征选择模块,学习强判别性的特征;最后将选取的特征输入至改进的多分类支持向量机进行目标的分类识别,实现目标区的“细粒度”锁定。通过逐步细化的识别机制,识别复杂战场对抗环境下的空中目标。验证试验表明,算法在不同对抗态势下的弹道图像数据集中的平均识别正确率达到78.63%,可有效完成目标与干扰之间的区分,为工程应用中的算法研制提供支撑。     

基于生成对抗网络的水声目标识别算法

目标识别是水声探测领域的难题,也是研究热点。在水声目标识别实际应用中,标记样本数量不足是制约识别结果的主要因素之一。针对水声目标噪声数据具有的小样本特点,基于深度学习理论提出一种基于生成对抗网络的识别模型。该模型从生成模型与对抗模型的相互博弈中,学习更多有效的识别特征信息,并与深度自编码网络和深度置信网络模型进行对比。仿真实验结果表明：在样本数量有限的情况下,生成对抗网络模型的识别效果优于深度置信网络与深度自编码网络;3种深度学习模型的识别性能均优于先提取梅尔倒谱系数特征,再用Softmax分类的方法。为进一步测试所建模型的性能,研究了3种深度学习模型在不同信噪比下的鲁棒性,仿真实验结果表明：生成对抗网络模型对噪声具有更强的鲁棒性。     

基于YOLOv5 改进的小目标检测算法

针对传统目标检测算法存在对小目标检测的识别精度低和不稳定的问题,提出基于YOLOv5 改进的小目 标检测算法。基于卷积神经网络加入额外的检测头,采用数据增强策略并更改网络卷积步长,解决了小目标像素低、 占比小、易重叠和难以分辨等问题;同时依托真实检测场景制作一个全新的针对飞机检测的卫星影像数据集,该数 据集的待检测小目标占比达61%,飞机姿态及场景丰富,有助于客观全面地验证网络精度。将改进后的算法与原始 的YOLOv5 模型进行对比,结果表明,其平均精确率AP 值较原始YOLOv5 模型提升约3%。