融合注意力机制与改进SSD算法的SAR舰船目标检测方法

针对单次多盒检测算法(SSD)对复杂背景下合成孔径雷达(SAR)图像舰船目标的检测容易出现误检或漏检情况,提出一种基于融合注意力机制与改进的SSD算法的目标检测方法。首先在SSD算法上引入ResNet网络并进行改进,以提供丰富的语义信息和细节信息,提高算法的鲁棒性;其次融合通道和空间注意力增强对舰船目标的辨认能力,抑制海杂波等干扰信息;同时改进损失函数来解决舰船密集分布时的漏检问题,提高网络训练效果。数据集上的实验表明,该方法平均准确率(mAP)为87.6%,比SSD算法提高了4.2个百分点,目标的漏检和误检明显减少。相比SSD算法,该算法对复杂背景下的舰船目标有较好的辨别能力和鲁棒性,抗干扰能力有所提升。     

基于特征增强的SAR图像舰船小目标检测算法

针对合成孔径雷达(SAR)图像中小目标舰船检测困难的问题,提出基于单次多盒检测器的一种特征增强小目标检测算法.首先提出一种混合多特征提取模块,采用并行的普通卷积、不同空洞率的空洞卷积以及非对称卷积形成与舰船目标相匹配的感受野,以提高浅层网络对复杂形状小目标的特征提取能力;然后提出一种邻近多特征融合模块,将特征信息进行更科学的深层次融合,对小目标特征进一步增强;最后根据SAR图像单通道的特性,缩减特征提取网络VGG-16的冗余特征通道.在公开的SSDD数据集上与其他检测算法进行对比实验,实验结果表明,所提出方法将平均精确度提升至93.44%,检测速度提升至41.8FPS,参数量减少为18.74M,综合性能优于其他检测算法.     

改进YOLOv5的SAR图像舰船目标检测

近年来针对合成孔径雷达(synthetic aperture radar,SAR)图像中缺乏颜色和纹理细节的舰船检测技术在深度学习领域中得到了广泛研究,利用深度学习技术可以有效避免传统的复杂特征设计,并且检测精度得到极大改善.针对舰船目标检测框具有高长宽比和密集排列问题,提出一种基于改进YOLOv5的目标检测方法.该方...     

基于特征解耦的SAR图像舰船检测蒸馏

目前,基于深度学习的合成孔径雷达（SAR）舰船目标检测方法受到广泛关注。但因为模型参数量大、运算内存高等问题限制了其实际应用。通过学生网络模仿教师网络,知识蒸馏被视作一种高效的模型压缩方法。然而,大部分的知识蒸馏算法只针对常见的可见光图像任务,将其直接应用到复杂的SAR图像舰船目标检测上性能表现不佳。通过分析,出现上述性能不佳现象有以下两个原因：（1）前景背景面积严重失衡;（2）缺乏对前景和背景像素的关系建模。针对上述问题,提出基于解耦特征的拓扑距离知识蒸馏算法。前景和背景解耦蒸馏可以缓解前景背景失衡问题。通过解耦特征拓扑距离蒸馏,学生网络可以从教师网络学习到前景背景之间的关系,增强对背景噪声鲁棒性。实验结果表明,相比许多蒸馏算法,所提出的算法可以十分有效地提升学生网络在SAR图像舰船目标检测精度。比如,基于ResNet18-C4骨干网络的Faster R-CNN模型在HRSID数据集上AP提升6.85个百分点,从31.81%提升到38.66%。     

基于级联CNN的SAR图像舰船目标检测算法

针对合成孔径雷达(SAR)图像中舰船目标稀疏的特点,提出一种基于级联卷积神经网络(CNN)的SAR图像舰船目标检测方法.将候选区域提取方法BING与目标检测方法Fast R-CNN相结合,并采用级联CNN设计,可同时兼顾舰船检测的准确率和速度.首先,针对SAR图像中相干斑噪声影响梯度检测的问题,在原有梯度算子的基础上增加平滑算子,并对图像尺寸个数和候选框个数进行适应性改进,使其提取到的候选窗口更快更准;然后,设计级联结构的Fast R-CNN检测框架,前端简单的CNN负责排除明显的非目标区域,后端复杂的CNN对高概率候选区域进行分类和位置回归,整个结构可以保证快速准确地对舰船这种稀疏目标进行检测;最后,设计一种联合优化方法对多任务的目标函数进行优化,使其更快更好地收敛.在SAR图像舰船检测数据集SSDD上的实验结果显示,所提出的方法相比于原始Fast R-CNN和Faster R-CNN检测方法,检测精度从65.2%和70.1%提高到73.5%,每张图像的处理时间从2235ms和198ms下降到113ms.     

改进FCOS网络的海洋鱼类目标检测

鱼类的探索与保护是保持海洋生态环境平衡的重要一环,然而水下环境复杂,受光照、水质以及遮挡物的影响,造成水下捕捉鱼类图像成像模糊识别困难,制约水下鱼类目标的检测速度以及检测精度.针对以上问题,提出了一种基于改进FCOS的海洋鱼类识别模型.首先,该模型以一阶段算法FCOS为基本架构,使用轻量级的Mobile Netv2作为骨干网络,既保证检测准确度,还可以提高检测;其次,引入自适应空间特征融合(adaptively spatial feature fusion, ASFF)模块,避免尺度特征的不一致性,提高检测精度;最后,将center-ness分支引入到回归分支中,引入联合交并比损失(GIoU loss, generalized intersection over union)提高检测的性能.实验数据集使用公开数据集Fish4Knowledge (F4K)中的图片以及视频帧截取图片,选取训练性能最优模型进行评估.结果表明,提出的新模型在以上数据集的平均检测精度分别为99.79%、99.88%,相较于原模型以及其他检测模型本文提出模型的检测精度与识别速度更高,可为海洋鱼类识别提供参考依据.     

基于矩阵分解的海洋SAR图像舰船检测

针对海洋原始图像与低秩和稀疏矩阵分解模型数据结构不一致的问题,本文提出一种新的基于矩阵分解的海洋SAR图像舰船检测方法。首先该方法需对结构化相似的海洋SAR图像进行重组;然后根据重组矩阵特性适应性设计一个分解精度更高、分解速度更快的新矩阵分解模型,并利用增广拉格朗日乘子法求解模型,在不依赖任何杂波模型和检测统计量的前提下,实现代表舰船目标的稀疏成分的提取;最后利用形态学处理进行优化,实现海洋SAR图像舰船目标的检测。基于高分三号SAR卫星数据的实验结果表明,相比已有的基于鲁棒主成分分析的舰船检测方法,本文方法在处理复杂海况时,能更快速度地以较好的形状从海杂波中准确提取舰船目标,具有更好的鲁棒性。     

改进YOLOv3-SPP的SAR图像舰船目标检测

合成孔径雷达图像中舰船目标的尺度差异大、小目标居多,这给检测造成一定的困难。针对此问题,提出了一种基于改进YOLOv3-SPP的SAR图像舰船目标检测算法。改进原模型FPN,利用主干网络的第二次下采样输出的特征来建立尺度为104×104的预测,并将各个尺度进行紧密连接;用K-median++聚类算法重新对锚框聚类来得到适合舰船特征的先验框。使用YOLOv3-SPP模型和改进的YOLOv3-SPP模型以及其他典型目标检测算法在AIR-SARship-1.0与SSDD数据集上进行对比实验。实验结果表明,相比于原始算法,改进后的算法能更有效地检测SAR图像舰船目标,检测精度分别提升了3.2%、4.4%。在数据集3个不同输入尺度下,检测精度都有所提升。相比于其他检测算法,改进后的算法在保证实时性的情况下具有更高的检测精度。     

双向特征融合的数据自适应SAR图像舰船目标检测模型

目的 利用合成孔径雷达（synthetic aperture radar,SAR）图像进行舰船目标检测是实施海洋监视的重要手段。基于深度学习的目标检测模型在自然图像目标检测任务中取得了巨大成功,但由于自然图像与SAR图像的差异,不能将其直接迁移到SAR图像目标检测中。针对SAR图像目标检测实际应用中对速度和精度的需求,借鉴经典的单阶段目标检测模型（single shot detector,SSD）框架,提出一种基于特征优化的轻量化SAR图像舰船目标检测网络。方法 改进模型并精简网络结构,提出一种数据驱动的目标分布聚类算法,学习SAR数据集的目标尺度、长宽比分布特性,用于网络参数设定;对卷积神经网络（convolutional neural network,CNN）提取的特征进行优化,提出一种双向高低层特征融合机制,将高层特征的语义信息通过语义聚合模块加成到低层特征中,在低层特征中提取特征平均图,处理后作为高层特征的注意力权重图对高层特征进行逐像素加权,将低层特征丰富的空间信息融入到高层特征中。结果 利用公开的SAR舰船目标检测数据集（SAR ship detection dataset,SSDD）进行实验,与原始的SSD模型相比,轻量化结构设计在不损失检测精度的前提下,样本测试时间仅为SSD的65%;双向特征融合机制将平均精确度（average precision,AP）值由77.93%提升至80.13%,训练和测试时间分别为SSD的64.1%和72.6%;与公开的基于深度学习的SAR舰船目标检测方法相比,本文方法在速度和精度上都取得了最佳性能,AP值较精度次优模型提升了1.23%,训练和测试时间较精度次优模型分别提升了559.34 ms和175.35 ms。结论 实验充分验证了本文所提模型的有效性,本文模型兼具检测速度与精度优势,具有很强的实用性。     

SAR图像船只尾迹检测研究综述

利用星载合成孔径雷达(SAR)图像进行海面船只尾迹检测的研究在海洋领域具有重要意义。SAR海洋图像中尾迹线性特征的检测和精确定位是个难点,研究了SAR图像中船只尾迹的检测方法,根据近年来SAR图像海面船只尾迹检测的发展,总结了尾迹类型及其成像机理,分析了影响尾迹检测的因素和目前国内外的尾迹检测算法,通过对这些方法的对比分析得出它们的优缺点,并对今后的研究方向进行了展望。     

改进卷积神经网络SAR图像去噪算法

合成孔径雷达（SAR）通常会被一种称为散斑的乘性噪声干扰，这使得图像的解释变得困难。为解决这一问题，提出一种改进卷积神经网络SAR图像去噪方法。对图像进行下采样再对下采样子图像进行卷积提取特征，这可以有效扩大感受野提高去噪效率；为了减少梯度消失问题和提高模型去噪性能，网络又引入了跳跃连接和残差学习策略；利用仿真和实测数据对网络进行测试与评估，实验结果表明提出的方法具有良好的去噪效果和较高的计算效率，对比其他去噪方法，该方法不仅去噪效果好，而且效率更高。     

基于改进轮廓波变换的SAR图像增强

针对轮廓波变换（contourlet transform）中进行拉普拉斯金字塔分解时,所得的带通图像在奇异性点附近产生振荡,影响图像去噪的效果,提出一种改进的轮廓波变换。通过改进拉普拉斯金字塔分解,可消除轮廓波变换带通图像边缘附近的震荡。提出了基于改进轮廓波变换的SAR图像增强算法。实验结果表明,该算法在有效抑制SAR图像噪声的同时,较好地保持了图像边缘细节。     

基于多智能体遗传的SAR图像变化检测

针对传统进化算法在SAR图像变化检测时,容易陷入局部最优,收敛速度慢,耗时过长,为了解决这些问题,提出了一种无监督的多智能体遗传SAR图像变化检测方法。利用对数比值法对预处理后的图像构造差异影像,并对差异影像进行中值滤波处理,把它的灰度值作为输入信息,通过多智能体遗传算法搜索全局阈值,根据全局阈值得到变化检测结果。仿真结果表明,该算法与GA、ICSA相比,分类准确,收敛快速,效率更高。     

一种新的SAR图像目标检测算法

提出一种与数据有关的基与固定基相结合的合成孔径雷达(SAR)图像检测算法,分别提取2种不同空间下表示的目标特征,将这些特征在不同空间中融合并进行调制,形成显著图,从而将目标特征凸显出来,利用目标的先验知识检测目标,使用ADTS高分辨率机载SAR目标数据进行仿真。实验结果表明,该算法能够有效突出待测图像中的目标区域,并抑制非目标区域,具有较高的检测精度。     

尺度自适应的SAR图像显著性检测方法

人类视觉系统能够通过对场景中感兴趣的不同事物进行显著性检测,有效地配置处理资源。基于视觉注意机制的显著性检测方法能够简化遥感影像场景分析、目标解译的复杂程度,节省处理资源。以视觉注意机制为基础,提出了一种尺度自适应的SAR图像显著性检测方法,通过不同尺度下的局部复杂度和自差异性来度量图像的显著性测度,设计显著性尺度确定算法以及融合显著性尺度和显著性测度以生成显著图,完成显著性检测的流程。实验结果表明该方法能够有效应用于SAR图像显著性检测,较之其他主流显著区域检测算法更适用于SAR图像场景分析。     

基于NSCT域邻域收缩的SAR图像去噪

针对合成孔径雷达（Synthetic Aperture Radar,SAR）图像受到相干斑噪声的干扰,严重影响了SAR图像的后续处理的问题,提出一种在非下采样轮廓变换（Nonsubsampled Contourlet Transform,NSCT）域将中值滤波和邻域收缩法相结合的SAR图像去噪算法。该算法对原始SAR图像进行NSCT分解,得到低频子带和高频子带图像,对低频子带使用中值滤波处理以去除低频子带中的低频噪声,利用NSCT分解系数之间的相关性,使用邻域收缩法对子带图的系数进行收缩,以消除高频子带中的高频噪声。实验证明,该算法与小波域邻域收缩去噪算法和NSCT硬阈值去噪算法相比,在去噪性能和视觉效果方面均有所提高,在消除噪声同时可以较好地保护纹理细节信息。