上下文信息融合与分支交互的SAR图像舰船无锚框检测

SAR图像中舰船目标稀疏分布、锚框的设计,对现有基于锚框的SAR图像目标检测方法的精度和泛化性有较大影响,因此该文提出一种上下文信息融合与分支交互的SAR图像舰船目标无锚框检测方法,命名为CI-Net。考虑到SAR图中舰船尺度的多样性,在特征提取阶段设计上下文融合模块,以自底向上的方式融合高低层信息,结合目标上下文信息,细化提取到的待检测特征;其次,针对复杂场景中目标定位准确性不足的问题,提出分支交互模块,在检测阶段利用分类分支优化回归分支的检测框,改善目标定位框的精准性,同时将新增的IOU分支作用于分类分支,提高检测网络分类置信度,抑制低质量的检测框。实验结果表明：在公开的SSDD和SAR-Ship-Dataset数据集上,该文方法均取得了较好的检测效果,平均精度(AP)分别达到92.56%和88.32%,与其他SAR图舰船检测方法相比,该文方法不仅在精度上表现优异,在摒弃了与锚框有关的复杂计算后,较快的检测速度,对SAR图像实时目标检测也有一定的现实意义。     

改进无锚点的彩色遥感图像任意方向飞机目标检测算法

针对彩色遥感图像上飞机目标体积小、分布密集、背景复杂导致的检测精度低问题,提出了一种改进无锚点的彩色遥感图像任意方向飞机目标检测算法。采用BBAVectors为基准模型,以ResNet50为主干网进行特征提取,在特征金字塔网络FPN后增加一条自上而下的路径扩展网络PANet模块,缩短信息路径并用低层级准确位置信息增强特征金字塔。其次,引入注意力机制CBAM模块,通过抑制噪声和突出目标特征,实现复杂环境下的飞机目标检测精度的提升。在DOTA数据集上分别进行消融实验和对比实验,并使用DOTA＿devkit对数据集分别进行0.5以及1倍比例的裁切,提高模型的检测精度。改进后的模型在彩色遥感图像测试数据集上的检测精度达到了90.35%。相较于原模型,检测精度提升了0.82%。实验结果表明,该方法在彩色遥感图像中的飞机检测任务中具有更好的检测效果。     

利用改进特征金字塔模型的SAR图像多目标船舶检测

深度学习模型中的特征金字塔网络（Feature Pyramid Network,FPN）常被用作合成孔径雷达（Synthetic Aperture Radar,SAR）图像中多目标船舶的检测。针对复杂场景下多目标船舶检测问题,提出了一种基于改进锚点框的FPN模型。首先将特征金字塔模型嵌入传统的RPN（Region Proposal Network）并映射成新的特征空间用于目标检测,然后利用基于形状相似度距离（Shape Similar Distance,SSD）度量的Kmeans聚类算法优化FPN的初始锚点框,并使用SAR船舶数据集测试。实验结果表明,所提算法目标检测精确率达到98.62%,在复杂场景下与YOLO、Faster RCNN、FPN based on VGG/ResNet等模型进行对比,模型准确率提高,整体性能更好。     

高级语义信息辅助的无锚框行人检测研究

为了提高车间监控系统智能化程度和工作场景中行人检测精度,提出了一种基于计算机视觉技术的行人检测方法。采用基于高级语义信息的无锚框特征检测技术,将检测任务简化为中心点和尺度的回归预测。特征提取模块通过四阶段降采样卷积网络,得到多尺度的图像特征并融合。头探测模块分成两路卷积,并行处理特征图,获得中心点热力图和尺度信息,输出检测结果。结果表明,在CityPersons数据集R子集上,MR-2达到11.61%,加入偏移量预测分支后MR-2提升了0.6%。这证明了该人员检测方法的性能优良。     

基于YOLOv3锚框优化的侧扫声呐图像目标检测

利用侧扫声呐图像来探查海底目标对海洋资源开采和海上军事防护都有重大意义。目前人为提取图像特征进行目标检测的传统机器学习方法逐渐被深度学习取代。深度学习技术在降低算法复杂度的同时提高图像目标检测效率,极大地推动了目标检测技术地发展。将深度学习检测算法应用到侧扫声呐图像目标检测领域时,锚框作为目标检测网络中较为重要的先验信息会影响最终的检测性能,考虑到声呐数据集的真实目标框与网络设定的锚框未必贴合的问题,本文在YOLOv3的基础上对锚框进行了优化,给出了一种能够获取有效先验锚框的策略。首先使用K-Means算法对真实目标框进行聚类,获得比较贴合于声呐数据集的锚框,然后设计了一种超参数锚框映射关系对聚类后的锚框进行拉伸变换,这样获得的锚框既包含了声呐数据集的目标框信息,也能利用到YOLOv3的多尺度特性。实验结果表明,所提锚框优化策略能够让YOLOv3网络获得更优的检测性能,适用于侧扫声呐图像的目标检测问题。     

多尺度特征融合与锚框自适应的目标检测算法

针对Faster R-CNN算法存在特征提取不充分、检测框定位不准确导致检测精度不高的问题,提出一种多尺度特征融合和锚框自适应相结合的目标检测算法。首先,通过双向融合方法充分提取相邻层级间的深层特征和浅层特征;然后,均衡化处理多尺度特征,使集成的特征能获得来自不同分辨率下等量的语义信息和细节信息,提高目标的识别能力;最后,在区域提议网络（RPN）中利用目标的特征信息,通过自适应预测锚框的位置和形状来生成锚框。基于VOC数据集对算法的实验结果表明：与基于ResNet50的Faster R-CNN算法相比,所提算法中的多尺度特征融合策略加强了算法对不同尺度目标的检测能力,自适应锚框机制能够提高定位精度并避免小目标的漏检,算法整体的检测结果具有较好表现,平均检测精度提升了3.20个百分点。     

基于锚框的深度学习物体目标检测算法概览

将深度学习方法结合进目标检测算法突破了传统算法的性能瓶颈,成为计算机视觉领域一个热门的研究课题.本文对当下最流行的基于深度学习物体目标检测算法进行深入研究,得出一个整体认识,为目标检测应用系统开发的先进性与高效性提供有益的理论指导.沿着时间顺序梳理了深度卷积神经网络进入物体目标检测算法的发展过程,按照两阶段和一阶段实现对主要的算法划分两大类别;同时,参考是否采用锚框又分为基于锚框和非锚框的两种方式.围绕发展更成熟的基于锚框的检测系统详细探讨了算法的实现原理,并指出当前物体目标检测系统面临的难点问题和关键技术.最后,对物体目标检测算法发展的方向进行了展望.     

基于卷积注意力模块和无锚框检测网络的行人跟踪算法

针对多目标跟踪过程中遮挡严重时的目标身份切换、跟踪轨迹中断等问题,该文提出一种基于卷积注意力模块 (CBAM)和无锚框(anchor-free)检测网络的行人跟踪算法。首先,在高分辨率特征提取网络HrnetV2的基础上,对stem阶段引入注意力机制,以提取更具表达力的特征,从而加强对重识别分支的训练;其次,为了提高算法的运算速度,使检测和重识别分支共享特征权重且并行运行,同时减少头网络的卷积通道数以降低参数运算量;最后,设定合适的参数对网络进行充分的训练,并使用多个测试集对算法进行测试。实验结果表明,该文算法相较于FairMOT在2DMOT15, MOT17, MOT20数据集上的精确度分别提升1.1%, 1.1%, 0.2%,速度分别提升0.82, 0.88, 0.41 fps;相较于其他几种主流算法拥有最少的目标身份切换次数。该文算法能够更好地适用于遮挡严重的场景,实时性也有所提高。     

基于反对称二进小波的SAR图像海洋表面油膜检测方法

海洋表面油膜检测是合成孔径雷达(SAR)很重要的应用领域之一。小波方法是近年来研究较多的图像边缘检测方法。通常的SAR图像油膜检测采用高斯函数一阶导和二阶导作为小波基函数,运算速度慢;该文采用反对称二进小波,利用小波变换多分辨率分析(MRA)思想,经多尺度综合得到油膜边缘图像。实验证明这是一种有效、有前途的SAR图像海洋表面油膜检测方法。     

一种基于小波变换的SAR图像船舰检测的新算法

根据小波变换和Teager能量算子(TEO)的局部特性,该文提出一种基于SAR图像的船舰检测算法.该算法对SAR图像进行小波变换,计算小波系数的Teager能量.根据小波域的Teager能量对船舰信号的增强特性,使用双参数CFAR检测SAR图像船舰.仿真结果表明,新算法与传统的双参数CFAR检测算法和基于K-分布的单元平均检测算法相比,在船舰检测数和虚警数性能指标上均优于传统检测算法.     

SAR图像人造目标检测研究

在合成孔径雷达(SAR)自动目标识别中,人造目标的检测至关重要。该文根据SAR图像的特点,对图像中的人造目标进行了检测。首先采用自适应小波滤波方法对图像进行滤波,在保留图像细节的前提下有效地去除了图像中的乘性噪声,使后续的检测变得相对容易。然后采用基于自适应遗传算法的C-划分二维模糊熵算法对图像进行分割。实验结果表明,该文方法能够有效地检测出图像中的人造目标。     

复杂场景下单通道SAR目标检测及鉴别研究进展综述

SAR作为一种主动式微波成像传感器,以其全天时、全天候、作用距离远等独特的技术优势,成为当前对地观测的主要手段之一,在军事和民用领域发挥着十分重要的作用。随着SAR遥感技术的发展,高分辨率、高质量的SAR图像不断产生,仅依靠人工手段对感兴趣的目标进行检测、识别费时费力,因此亟需发展SAR自动目标识别(ATR)技术。典型的SAR ATR系统主要包括检测、鉴别、分类/识别3个阶段,其中,检测和鉴别阶段是整个SAR ATR系统的基础,是国内外雷达界一直开展的SAR应用基础研究之一。针对单通道SAR图像,简单场景下目标检测与鉴别已经取得了不错的结果;而在复杂场景下,杂波散射强度相对高、杂波背景非均匀和目标散射强度相对弱、分布密集等情况,使得SAR目标检测和鉴别依然是一个难点。该文对近十年左右复杂场景下单通道SAR目标检测及鉴别方法的研究进展进行了归纳总结,并分析了各类方法的特点及存在的问题,展望了未来复杂场景下单通道SAR目标检测与鉴别方法的发展趋势。      

基于自适应加权方法的复值SAR图像的频域压缩改进算法

该文提出了一种基于自适应加权方法的复值SAR图像的频域压缩改进算法。该算法在原有频域压缩算法的基础上采用了自适应的加权方法,在低压缩比(20:1)的情况下能够很好地保留原始数据图像的特征,是一种有效的复值SAR图像的压缩算法。复值空域相关系数指标评估,以及原始数据、重建数据的幅度图对比和两幅数据图像之间的相关系数图都验证了算法的有效性。     

基于显著轮廓特征的SAR图像轮廓匹配新方法

在以星载SAR图像作为基准图、机载/弹载SAR图像作为实时图的匹配导航和精确制导研究中,传统基于点特征的匹配方法存在特征点数目过多, 误匹配率较高,容易受噪声及灰度变化影响等问题。该文提出一种基于显著轮廓特征的SAR图像“由粗到精”的匹配新方法。该方法在对SAR图像进行预处理的基础上,采用改进的模糊C均值聚类(FCM)的图像分割方法来提取闭合轮廓特征;采用归一化轮廓中心距离描述符进行双向匹配,获得强鲁棒性的粗匹配轮廓对;在粗匹配轮廓上采用改进的局部二值模式(LBP)算子得到精匹配结果。试验结果表明,该方法在图像旋转、空间变化以及噪声干扰较大的情况下,具有精确性高、鲁棒性强的优势,适宜遥感SAR图像匹配。     

利用SVM的极化SAR图像特征选择与分类

该文提出一种新的利用SVM的特征选择算法,并将其融入到极化SAR图像分类过程中,构成一种新的基于SVM的分类方法。其中,特征选择算法利用支持向量个数作为特征评估指标,并以顺序后退法作为搜索策略。真实数据的实验结果表明,该分类方法能有效降低SVM分类器对自身参数的敏感性,与利用原始特征集和经典的RELIEF-F的分类方法相比,该方法能以更少(或相当)的特征个数,在更广泛的SVM参数取值范围内获得更高的分类精度。     

三维目标曲线SAR成像的降维搜索算法

曲线合成孔径雷达(CurviLinear Synthetic Aperture Radar,CLSAR)利用雷达平台的单条曲线轨迹就可形成三维成像所需的曲线合成孔径。由于CLSAR采集的数据在三维频率空间是稀疏的,简单地采用非参数化方法所获得的图像几乎无法使用,所以有价值的目标三维像必须采用参数化方法来获得。该文提出一种新的适用于CLSAR的目标三维成像算法。该算法巧妙地利用了接收数据中距离方向与垂直距离方向参数间的弱耦合性,将高维优化问题解耦为低维优化问题,并顺序地估计出相应参数,最后采用一个迭代过程进行参数求精。仿真实验表明,新算法是一种适用于CLSAR的有效的目标三维成像算法。     

多相滤波在合成孔径雷达数字正交解调中的应用

在一般的雷达和通信系统中,实现中频或射频的直接采样,需要完成数字正交解调过程,数字乘积检波(DPD)是实现数字正交解调的一种工程上易于实现的方法,但该方法获得的I/Q数据是需要修正的。该文结合合成孔径雷达信号处理,提出了多相滤波法来修正通过DPD获得的I/Q通道数据,并和Bessel滤波进行了比较。仿真实验结果表明,该方法简便灵活,且工程上易于实现;在滤波器阶数相同的情况下,多相滤波器的最大绝对修正误差为5.839410-4,而Bessel滤波的最大绝对修正误差为9.30710-4,而且,多相滤波很容易实现非等距滤波。