旋转矩形框与CBAM改进RetinaNet的SAR图像近岸舰船检测

发布时间：2021-04-08 20:45

　　针对海岸、岛礁、码头等因素干扰而造成的SAR图像近岸舰船检测精度不高问题,设计了采用旋转矩形框与卷积注意力模块CBAM（Convolutional Block Attention Module）改进RetinaNet的SAR图像近岸舰船检测方案。该方案在RetinaNet算法基础上,利用具有目标角度参数的旋转矩形框减弱非目标区域对舰船特征提取的干扰,在RetinaNet特征提取网络相邻残差块之间加入卷积注意力模块进行目标特征的有效聚焦,从而改善近岸舰船检测效果。利用公开的SSDD数据集、自标注近岸数据集进行了舰船检测实验,得到的检测精度相较于常规RetinaNet算法分别提升了7.02%和8.89%,验证了该方案的有效性。 

【文章来源】：测绘科学技术学报. 2020,37(06)北大核心

【文章页数】：7 页

【部分图文】：

旋转矩形框和CBAM改进RetinaNet的SAR图像舰船检测流程

图3(b)中旋转矩形框的宽和长可以近似舰船目标在图像中的宽和长,且旋转矩形框内包含较少非目标区域信息。尤其是SAR图像舰船目标长宽比较大,相比于水平矩形框, 旋转矩形框更能准确地反映出目标信息,其表达的检测目标特征更加准确,符合SAR图像舰船目标特征提取的实际需求。图3 舰船目标的标注

图2 旋转矩形框与CBAM改进RetinaNet的主干网络采用旋转角度参数的锚框通过增加角度参数θ表示旋转矩形锚框的位置信息。与原始锚框相比,每个锚点处的矩形锚框增加6个角度,即 - 5π 12 、 - π 3 、 - π 4 、 - π 6 、 - π 12 和0来控制矩形锚框的旋转,则特征图上每个锚点处的锚框数由N×K变为N×K×6。其中,N指每个锚点处有N个不同宽高比的锚框;K指每个锚点处有K个不同尺度大小的锚框。本文中特征图集合(P3、P4、P5、P6、P7)对应生成的基础锚框尺度分别为82、162、322、642和1282,每层特征图中每个锚点产生锚框的宽高比分别为1、 1 2 、3、 1 3 、3、5和 1 5 ,相对于基础锚框尺度大小比分别为20、 2 1 3 和 2 2 3 。真实标注框与锚框的相对坐标以及预测框与锚框的相对坐标可表示为

【参考文献】：
期刊论文
[1]融合差异图与高斯混合模型相结合的SAR图像变化检测[J]. 高新,靳国旺,熊新,徐娇.  测绘科学技术学报. 2020(01)
[2]AIR-SARShip-1.0：高分辨率SAR舰船检测数据集[J]. 孙显,王智睿,孙元睿,刁文辉,张跃,付琨.  雷达学报. 2019(06)
[3]直线特征辅助的靠岸舰船检测[J]. 余东行,郭海涛,赵传,李道纪,张保明.  测绘科学技术学报. 2019(03)
[4]卷积神经网络的发展及其在计算机视觉领域中的应用综述[J]. 陈超,齐峰.  计算机科学. 2019(03)
[5]基于卷积神经网络的SAR图像舰船目标检测[J]. 李健伟,曲长文,彭书娟,邓兵.  系统工程与电子技术. 2018(09)
[6]遥感图像中舰船检测方法综述[J]. 唐沐恩,林挺强,文贡坚.  计算机应用研究. 2011(01)



本文编号：3126243