基于深度学习的合成孔径雷达图像舰船目标检测
发布时间：2021-11-17 07:59
目标检测技术是一种识别并定位图像中特定目标的技术,它是图像理解的一个重要环节,一直以来都是国内外学者的研究热点。随着卫星技术的发展,尤其是高分三号等卫星的发射,大量的合成孔径雷达（Synthetic Aperture Radar,SAR）图像可用于动态监测海洋,推动了 SAR图像舰船目标检测任务的发展。不同于自然图像目标检测,SAR图像舰船目标检测具有图像分辨率较低、舰船目标特征多样等多方面特点。现有SAR图像舰船目标检测算法对多源SAR图像进行目标检测时,仍然存在对不同尺寸舰船检测性能不鲁棒、陆地区域虚警率高等问题。另一方面,深度学习技术在计算机视觉领域取得了飞速发展,它能够利用神经网络以数据驱动的方式智能地发掘图像特征,从而出色地完成任务。因此,针对以上问题和挑战,本文采用深度学习技术对SAR图像舰船目标检测展开研究,具体如下。首先,针对现存算法在陆地区域误检率高的问题,本文提出了基于海陆分割的舰船目标检测算法LDSSD（Land detectable SAR ship detector）。该算法基于卷积神经网络设计了两个模块:海陆分割模块和舰船目标检测模块。海陆分割模块用于像素级...
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
图３．３残斜莫块结构图??Ｆｉｇ．?３．３?Ｗｏｒｋｆｌｏｗ?ｏｆ?ｒｅｓｉｄｕａｌ?ｌｅａｒｎｉｎｇ?ｂｌｏｃｋ??ＯＳＳＳＤ的特征提取网络分为两种路径，一个自底向上的特征提取主干网络，一个??３．２
?基于深度学习的合成孔径雷达图像舰船目．标检测???由予网络加深导致的退化问题［４６］。??在输入网络之前，将输入图像进行縮放，得到［３，?８００，８００］像素大小的图像，其中??“□”内数值分别表示图像的深度、髙度和宽度。特征提取鬼干网络中的下采样使得??特征图的高和宽不断变小，图３．２中巧、凡、巧、巧分别代表输入图像经过主干网络??Ｒｅｓｎｅｔｌ８中每一个残差，攀习块后产隹的特征图。朽、朽、巧、Ａ相对亍原图来说边长缩??小的步长分别为４、８、Ｉ６、３２，这些特征图的尺寸分别为［６４，２〇０，２〇０］、［２５６，１００，１００］、??［２５６，５０，５０］、［２５６，?２５，２５］。??３．１．２多尺度特征融合网络??■?■??（ａ）?（ｂ）??Ｅ＿＿??（ｃ）?（ｄ）??图３．４包含多茂度规船目标的多分辨率ＳＡＲ图像示例??Ｆｉｇ．?３．４?Ｓａｍｐｌｅｓ?ｏｆ?ＳＡＲ?ｉｍａｇｅｓ?ｗｉｔｈ?ｄｉｆｆｅｒｅｎｔ?ｒｅｓｏｌｕｔｉｏｎｓ?ａｎｄ?ｍｕｌｔｉ－ｓｃａｌｅ?ｓｈｉｐｓ．??由于图像来源不同，ＳＡＲ图像分辨率存在差异，导致舰船目标特征存在差异。另??夕卜，由于海上行驶或港岸停泊的舰船种类繁多，不同种类舰船之间的大小差异可以达到??－１６?－??
目标检测???４００?－??１?ｉ??ａ？?２００?－??Ｉ??ｉｏｏ?－??Ｏ?￣￣?■?—ｒ＾—?１??１?１????０．０?０．１?０．２?０．３?０．４?０．５?Ｏ．Ｇ?０．７??Ｒｅｌａｔｉｖｅ?ｗｉｄｔｈｓ?ｏｆ?ｇｔ?ｂｂｏｘｅｓ??爵３．７?ＳＳＤＤ載辑聚中舰羅目标相对貫賃類率统计画??Ｆｉｇ．?３．７?Ｒｅｌｅｔｉｖｅ?ｗｄｉｔｈ?ｏｆ?ＳＡＲ?ｓｈｉｐ?ｏｂｊｅｃｔｓ?ｉｎ?ＳＳＤＤ??相对高度和栢对宽度的频率分布图分别如图３．６和３．７所示ｓ舰船＿标真值的相??对高度和相对宽度分别分布在闭区同［０．〇２，０．８６］和［０．０１，０．７６］中，其中均以［０．〇２，．０．３］??为分布最濒繁的以上统计和分析ｐ本：文设置ａｎｃｈｏｒ．的栢对大．小ｅ??｛０．０２，?０．０４，０．０８，０．１６，?０．３２｝。按照数值由低到高排列，不同值的ａｎｃｈｏｒ分别对应??在特征图Ｑ、Ｃ２、Ｃ３、Ｇｔ、（７５上生成候选框。??由此，ａｎｃｈｏｒ的高、宽的计算公式为：??ｈ?＝?ｓｉｚｃｉｍａ?＊?ｓｉｚｅ＾ａｓｅ?＊?ｓｃａｌｅ?＊?ｒａｔｉｏ??（３．４）??ｗ?＝?ｓｉｚｅｉｍｇ?＊?ｓｉｚｅ＾ａｓｅ?＊?ｓｃａｌｅ?＊?１／ｒａｔｉｏ??其中，Ｇ?｛０．０２，０．０４，０．０８，０．１６，０．３２｝表不?ａｎｃｈｏｒ?的相对大小，ｓｃａＺｅ?Ｇ?｛１，?＼／５｝表??不ａｎｃｈｏｒ的尺度，ｒａｔｉｏ?￡?｛Ｌ０．５，２｝表７Ｋ?ａｎｃｈｏｒ的高宽比。图３．８展不了?ａｎｃｈｏｒ在特征??图上的直观表示，图中的背景网格代表一张特征图，假设改特征图的?ｓｉｚｅｂａｓｅ?一?万，
【参考文献】：
期刊论文
[1]基于级联CNN的SAR图像舰船目标检测算法[J]. 李健伟,曲长文,彭书娟. 控制与决策. 2019(10)
[2]基于Faster-RCNN和多分辨率SAR的海上舰船目标检测[J]. 胡炎,单子力,高峰. 无线电工程. 2018(02)
[3]一种基于自适应背景杂波模型的宽幅SAR图像CFAR舰船检测算法[J]. 林旭,洪峻,孙显,鄢懿. 遥感技术与应用. 2014(01)
[4]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)
[5]一种基于局部K-分布的新的SAR图像舰船检测算法[J]. 艾加秋,齐向阳. 中国科学院研究生院学报. 2010(01)
[6]一种基于G0分布的SAR图像快速CFAR检测方法[J]. 贺志国,周晓光,陆军,匡纲要. 国防科技大学学报. 2009(01)
[7]基于小波分解的K-分布SAR图像舰船检测[J]. 李晓玮,种劲松. 测试技术学报. 2007(04)
本文编号：3500489
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
图３．３残斜莫块结构图??Ｆｉｇ．?３．３?Ｗｏｒｋｆｌｏｗ?ｏｆ?ｒｅｓｉｄｕａｌ?ｌｅａｒｎｉｎｇ?ｂｌｏｃｋ??ＯＳＳＳＤ的特征提取网络分为两种路径，一个自底向上的特征提取主干网络，一个??３．２
?基于深度学习的合成孔径雷达图像舰船目．标检测???由予网络加深导致的退化问题［４６］。??在输入网络之前，将输入图像进行縮放，得到［３，?８００，８００］像素大小的图像，其中??“□”内数值分别表示图像的深度、髙度和宽度。特征提取鬼干网络中的下采样使得??特征图的高和宽不断变小，图３．２中巧、凡、巧、巧分别代表输入图像经过主干网络??Ｒｅｓｎｅｔｌ８中每一个残差，攀习块后产隹的特征图。朽、朽、巧、Ａ相对亍原图来说边长缩??小的步长分别为４、８、Ｉ６、３２，这些特征图的尺寸分别为［６４，２〇０，２〇０］、［２５６，１００，１００］、??［２５６，５０，５０］、［２５６，?２５，２５］。??３．１．２多尺度特征融合网络??■?■??（ａ）?（ｂ）??Ｅ＿＿??（ｃ）?（ｄ）??图３．４包含多茂度规船目标的多分辨率ＳＡＲ图像示例??Ｆｉｇ．?３．４?Ｓａｍｐｌｅｓ?ｏｆ?ＳＡＲ?ｉｍａｇｅｓ?ｗｉｔｈ?ｄｉｆｆｅｒｅｎｔ?ｒｅｓｏｌｕｔｉｏｎｓ?ａｎｄ?ｍｕｌｔｉ－ｓｃａｌｅ?ｓｈｉｐｓ．??由于图像来源不同，ＳＡＲ图像分辨率存在差异，导致舰船目标特征存在差异。另??夕卜，由于海上行驶或港岸停泊的舰船种类繁多，不同种类舰船之间的大小差异可以达到??－１６?－??
目标检测???４００?－??１?ｉ??ａ？?２００?－??Ｉ??ｉｏｏ?－??Ｏ?￣￣?■?—ｒ＾—?１??１?１????０．０?０．１?０．２?０．３?０．４?０．５?Ｏ．Ｇ?０．７??Ｒｅｌａｔｉｖｅ?ｗｉｄｔｈｓ?ｏｆ?ｇｔ?ｂｂｏｘｅｓ??爵３．７?ＳＳＤＤ載辑聚中舰羅目标相对貫賃類率统计画??Ｆｉｇ．?３．７?Ｒｅｌｅｔｉｖｅ?ｗｄｉｔｈ?ｏｆ?ＳＡＲ?ｓｈｉｐ?ｏｂｊｅｃｔｓ?ｉｎ?ＳＳＤＤ??相对高度和栢对宽度的频率分布图分别如图３．６和３．７所示ｓ舰船＿标真值的相??对高度和相对宽度分别分布在闭区同［０．〇２，０．８６］和［０．０１，０．７６］中，其中均以［０．〇２，．０．３］??为分布最濒繁的以上统计和分析ｐ本：文设置ａｎｃｈｏｒ．的栢对大．小ｅ??｛０．０２，?０．０４，０．０８，０．１６，?０．３２｝。按照数值由低到高排列，不同值的ａｎｃｈｏｒ分别对应??在特征图Ｑ、Ｃ２、Ｃ３、Ｇｔ、（７５上生成候选框。??由此，ａｎｃｈｏｒ的高、宽的计算公式为：??ｈ?＝?ｓｉｚｃｉｍａ?＊?ｓｉｚｅ＾ａｓｅ?＊?ｓｃａｌｅ?＊?ｒａｔｉｏ??（３．４）??ｗ?＝?ｓｉｚｅｉｍｇ?＊?ｓｉｚｅ＾ａｓｅ?＊?ｓｃａｌｅ?＊?１／ｒａｔｉｏ??其中，Ｇ?｛０．０２，０．０４，０．０８，０．１６，０．３２｝表不?ａｎｃｈｏｒ?的相对大小，ｓｃａＺｅ?Ｇ?｛１，?＼／５｝表??不ａｎｃｈｏｒ的尺度，ｒａｔｉｏ?￡?｛Ｌ０．５，２｝表７Ｋ?ａｎｃｈｏｒ的高宽比。图３．８展不了?ａｎｃｈｏｒ在特征??图上的直观表示，图中的背景网格代表一张特征图，假设改特征图的?ｓｉｚｅｂａｓｅ?一?万，
【参考文献】：
期刊论文
[1]基于级联CNN的SAR图像舰船目标检测算法[J]. 李健伟,曲长文,彭书娟. 控制与决策. 2019(10)
[2]基于Faster-RCNN和多分辨率SAR的海上舰船目标检测[J]. 胡炎,单子力,高峰. 无线电工程. 2018(02)
[3]一种基于自适应背景杂波模型的宽幅SAR图像CFAR舰船检测算法[J]. 林旭,洪峻,孙显,鄢懿. 遥感技术与应用. 2014(01)
[4]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)
[5]一种基于局部K-分布的新的SAR图像舰船检测算法[J]. 艾加秋,齐向阳. 中国科学院研究生院学报. 2010(01)
[6]一种基于G0分布的SAR图像快速CFAR检测方法[J]. 贺志国,周晓光,陆军,匡纲要. 国防科技大学学报. 2009(01)
[7]基于小波分解的K-分布SAR图像舰船检测[J]. 李晓玮,种劲松. 测试技术学报. 2007(04)
本文编号：3500489
本文链接：https://www.wllwen.com/kejilunwen/jingguansheji/3500489.html
