利用改进特征金字塔模型的SAR图像多目标船舶检测

发布时间：2021-02-15 10:27

　　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。 

【文章来源】：电讯技术. 2020,60(08)北大核心

【文章页数】：6 页

【部分图文】：

基于主干网络的RPN算法框架图

在{P1,P2,P3,P4,P5}特征映射层上分别分配{32 pixel×32 pixel,64 pixel×64 pixel,128 pixel×128pixel}像素面积的锚点框(Anchor boxes)，同时使用了多个长宽比(1∶2,1∶1,2∶1)。在不同的特征映射层上，以每个像素点为中心，以Anchor boxes为固定范围进行窗口滑动，生成的大量候选框。一方面特征映射层上所有的候选框进入全连接层FC6～FC8，进行分类训练;同时计算候选框与目标真实框(ground-truth)的交并比(Intersection-over-Union,IOU)，选择与ground-truth最接近的候选框作为提取的感兴趣区域(Region of Interest,ROI)，对提取的ROI进行回归训练。1.2 锚点框分配的优化过程

以我国国产高分三号SAR数据和Sentinel-1SAR数据为主数据源，共采用了102景高分三号和108景Sentinel-1 SAR图像[21]。SAR数据集包含43 819船舶切片。高分三号的成像模式是StripMap(UFS)、Fine Strip-Map 1(FSI)、Full Polarization1(QPSI)、Full Polarization 2(QPSII)和Fine StripMap 2(FSII)，分辨率分别是3 m、5 m、8 m、25 m和10 m。Sentinel-1的成像模式是条带模式(S3和S6)和宽幅成像模式，数据集如图3所示，并且使用labelImg来标记船舶位置以及类别。训练集、验证集和测试集按70%、20%和10%的比例划分。2.1.2 网络训练过程

【参考文献】：
期刊论文
[1]基于改进候选区域网络的红外飞机检测[J]. 姜晓伟,王春平,付强.  激光与红外. 2019(01)
[2]特征融合的卷积神经网络多波段舰船目标识别[J]. 刘峰,沈同圣,马新星.  光学学报. 2017(10)
[3]基于卷积神经网络的遥感图像舰船目标检测[J]. 黄洁,姜志国,张浩鹏,姚远.  北京航空航天大学学报. 2017(09)

博士论文
[1]复杂背景下的光学遥感图像目标检测算法研究[D]. 林煜东.西南交通大学 2017

硕士论文
[1]光学遥感图像舰船目标检测技术的研究[D]. 彭敬涛.东华大学 2017



本文编号：3034672