SSD卷积神经网络在SAR图像目标检测中的应用研究

发布时间：2023-03-04 18:13

　　随着合成孔径雷达(Synthetic Aperture Radar,SAR)成像技术的迅速发展,SAR图像的分辨率越来越高,数据量也越来越大。面对海量的SAR图像数据,如何快速准确地检测出图像中的目标一直是SAR图像解译中的热点问题,具有非常重要的研究价值。近年来,卷积神经网络凭借其强大的特征学习能力,在图像识别、目标检测等领域取得了一系列突破性进展。最近,基于卷积神经网络的单次多框检测器(Single Shot multibox Detector,SSD)算法在自然图像目标检测中表现出良好的性能,受到了科研人员的广泛关注。本论文针对SSD在SAR图像目标检测中的应用展开研究,论文的主要工作如下:1、针对复杂场景下的SAR图像车辆目标检测任务,在第三章,我们提出了基于SSD的SAR目标检测算法。相比于光学图像而言,SAR图像的数据量比较缺乏。为了解决将SSD应用于SAR目标检测中面临的训练样本不足的问题,我们采用数据扩充和迁移学习的策略。对于数据扩充,第一种方法是采用加噪、滤波和翻转这些操作对MiniSAR目标检测数据集中原始的训练图像进行处理,生成新的训练样本;第二种方法是对MSTA...

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 卷积神经网络的研究背景
    1.2 SAR图像目标检测的研究背景
    1.3 卷积神经网络应用于目标检测的研究现状
    1.4 实验数据介绍及论文内容安排
        1.4.1 Mini SAR实测数据集
        1.4.2 MSTAR实测数据集
        1.4.3 论文内容章节安排
第二章 SSD卷积神经网络
    2.1 引言
    2.2 卷积神经网络的基本特点
    2.3 SSD卷积神经网络模型
        2.3.1 卷积层
        2.3.2 激活函数层
        2.3.3 池化层
        2.3.4 卷积预测器
        2.3.5 损失函数
    2.4 本章小结
第三章 基于SSD的SAR图像目标检测算法
    3.1 引言
    3.2 算法思路介绍
    3.3 网络结构框架
        3.3.1 子孔径生成模块
        3.3.2 数据扩充模块
        3.3.3 SSD网络模块
    3.4 实验结果
        3.4.1 性能评价指标
        3.4.2 数据扩充和迁移学习对检测性能的影响
        3.4.3 与其他方法比较
    3.5 本章小结
第四章 基于双流SSD的SAR目标检测与识别一体化算法
    4.1 引言
    4.2 算法思路介绍
    4.3 数据合成
    4.4 网络结构框架
        4.4.1 数据扩充模块
        4.4.2 显著图生成模块
        4.4.3 双流SSD网络模块
    4.5 实验结果
        4.5.1 性能评价指标
        4.5.2 数据扩充和迁移学习对双流SSD模型性能的影响
        4.5.3 与其他方法比较
    4.6 本章小结
第五章 结束语
    5.1 本文工作总结
    5.2 工作展望
参考文献
致谢
作者简介



本文编号：3754754