基于RetinaNet的SAR图像舰船目标检测

发布时间：2021-04-19 08:27

　　在合成孔径雷达图像舰船目标检测中,由于背景复杂多变,传统的基于人工特征的目标检测方法效果较差.基于深度学习中的单阶段目标检测算法RetinaNet,结合合成孔径雷达图像本身特征信息较少的特点,采用了多特征层融合的思想,改进了网络特征提取能力,提出了相适应的损失函数的计算方法.采用SAR图像舰船目标检测数据集（SSDD）对网络进行训练,并通过样本增强和迁移学习的方法提升算法的鲁棒性和收敛速度.通过实验与其他基于深度学习的目标检测算法所得结果进行比较,结果表明本算法具有更高的检测精度. 

【文章来源】：湖南大学学报(自然科学版). 2020,47(02)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

特征提取网络参数

ResNet的FPN结构

本文提出了一种新的特征融合网络，其结构如图3所示.Fusion1和Fusion2为特征融合单元，Fusion1以适当的方式融合3层不同表征能力的特征图，提取了更多Sar图像的潜在特征，生成更准确的特征金字塔.Fusion2将金字塔相邻的不同尺度的特征图进行融合，建立了深浅层之间的耦合关系.其结构参数分别如表1（以Conv6和Conv9的生成为例）和表2所示.Fusion1对ResNet的Conv2、Con3、Conv4和Conv5层后3个block分别进行1×1同纬度的卷积运算，而后并联在一起并再次通过1×1的卷积对有效信息进行融合，生成了Conv6、Conv7、Conv8和Conv9.这4个特征信息更丰富和准确的特征层，感受野逐渐变大，特征的细粒度也逐渐减小.其中Conv6是从Conv2特征图中融合得到，包含更多的目标细节信息，因此其对小目标更敏感，对目标的定位更有效.Fusion2结构在新的金字塔结构上建立了深层特征到浅层特征的链接.对小尺寸的特征图首先进行双线性插值，而后通过1×1卷积跨通道地整合信息并降低特征层维度，通过3×3的卷积减少特征图的结构误差，最后与经过1×1卷积的低维特征图融合.融合过程采用相加的方式，3×3的卷积是为消除混叠效应.相比于原始网络的FPN结构，本网络的输出层提取了更浅层的特征信息，各特征图的尺度为原输出特征图的4倍.1.3 边框回归和分类

【参考文献】：
期刊论文
[1]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)
[2]基于多特征融合的SAR图像舰船自学习检测算法[J]. 楚博策,文义红,陈金勇.  无线电工程. 2018(02)



本文编号：3147202