中文引用格式: 賀順,王雨竹,楊志偉. 復(fù)雜場(chǎng)景下SAR圖像多尺度艦船檢測(cè)算法[J]. 電子技術(shù)應(yīng)用,2025,51(3):59-64.
英文引用格式: He Shun,Wang Yuzhu,Yang Zhiwei. Multi-scale ship detection algorithm in SAR images in complex scenes[J]. Application of Electronic Technique,2025,51(3):59-64.
引言
合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)是一種高分辨率的成像雷達(dá),具有全天候、多角度、遠(yuǎn)距離探測(cè)能力,不受光強(qiáng)和天氣條件等因素的干擾[1]。目前,隨著機(jī)器學(xué)習(xí)技術(shù)的進(jìn)步,深度學(xué)習(xí)算法特征表示能力也變得越來越強(qiáng)大,基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法憑借強(qiáng)大的自動(dòng)提取特征的能力,在SAR艦船檢測(cè)中得到廣泛的應(yīng)用[2]。目前,基于深度學(xué)習(xí)的目標(biāo)檢測(cè)框架主要分為兩類,一類是兩階段檢測(cè)器,檢測(cè)精度高,但速度慢且不具備實(shí)時(shí)性,代表性的檢測(cè)器有R-CNN[3]、Fast R-CNN[4]、Faster R-CNN[5];另一類是單階段檢測(cè)器,具有端到端的性能優(yōu)勢(shì),檢測(cè)速度快,但精度略有不足。代表性的檢測(cè)器有CornerNet[6]、SSD[7]、RetinaNet[8]、CenterNet[9]、FCOS[10]、YOLO系列[11-14]。
SAR艦船圖像擁有廣泛的覆蓋范圍,因此在一張SAR艦船圖像中可能包含不同尺度的艦船。在現(xiàn)實(shí)的SAR圖像成像過程中,港口、島嶼和建筑物等背景會(huì)出現(xiàn)在SAR圖像中造成混淆,從而降低了目標(biāo)檢測(cè)的準(zhǔn)確性[15]。本研究中的復(fù)雜背景是指包含有港口、島嶼等背景元素的SAR圖像。同時(shí),SAR的成像機(jī)制會(huì)產(chǎn)生一定的散斑噪聲,使得近岸艦船目標(biāo)和小目標(biāo)的檢測(cè)受到影響,導(dǎo)致漏檢和虛警。
為了解決上面的問題,本文在YOLOv5目標(biāo)檢測(cè)模型的基礎(chǔ)上,首先用多尺度目標(biāo)特征提取網(wǎng)絡(luò)(Multi-scale Feature Extration Netraction,MFE-Net)取代原骨干網(wǎng)絡(luò),在提升多尺度目標(biāo)檢測(cè)能力的同時(shí)減少冗余計(jì)算;然后通過注意力機(jī)制抑制背景雜波,增強(qiáng)特征融合的效果;最后引入可形變卷積[16](Deformable Convolution,DConv)設(shè)計(jì)可形變特征融合網(wǎng)絡(luò)(Deformable Feature Fusion Network, DFF-Net),通過自適應(yīng)調(diào)整卷積核的形狀來有效檢測(cè)復(fù)雜場(chǎng)景下不同尺度的艦船目標(biāo)。
本文詳細(xì)內(nèi)容請(qǐng)下載:
http://ihrv.cn/resource/share/2000006360
作者信息:
賀順1,王雨竹1,楊志偉2
(1.西安科技大學(xué) 通信與信息工程學(xué)院,陜西 西安 710600;
2.西安電子科技大學(xué) 電子工程學(xué)院,陜西 西安 710071)