基于深度特征的SAR图像舰船目标检测方法研究
发布时间：2020-12-28 07:52
基于合成孔径雷达(Synthetic Aperture Radar,SAR)图像的舰船检测已成为SAR图像解译的关键技术问题之一,也是目前海上应用中最重要的一部分,在民用和军事领域有重要意义。由于不同舰船目标在SAR图像中的尺度跨度很大,而且传统的舰船检测方法对小尺度舰船不敏感,因此研究多尺度舰船检测方法已成为SAR图像舰船目标检测的重点研究方向。近年来,基于卷积神经网络(Convolutional Neural Network,CNN)的目标检测在光学领域取得了显著成功,基于CNN的舰船检测方法凭借其自动提取特征、检测准确性高的特点,适用于越来越复杂的海面环境中,逐渐成为SAR图像舰船检测研究的必然趋势。本文立足于CNN能自动学习特征的特点,设计基于深度特征的SAR图像舰船检测方法,主要工作如下:首先,本文总结了SAR图像舰船目标检测的发展现状,分析了现有的舰船检测方法的优势及存在的不足。简要介绍了CNN的基本理论和深度特征的基本提取方法,重点阐述了基于CNN的目标检测方法,并通过实验探索提取的深度特征对SAR图像舰船目标检测的有效性。其次,针对仅利用CNN的深层特征进行检测造成的小...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
9种候选框示意图
电子科技大学硕士学位论文图2-14SSD的网络结构SSD中的默认框类似于FasterR-CNN中的候选框，区别在于SSD在多个尺度的特征图上设置默认框，而不同于FasterR-CNN只在最后一层的特征图上设置候选框。特征图上的每个单元设置不同长宽比的默认框，常用的长宽比为（1，2，3，1/2，1/3），有时还会增加一个长宽比为1但尺度特殊的默认框。SSD分别在conv4_3、conv7、conv8_2、conv9_2、conv10_2、conv11_2层的特征图上的每个单元设置4、6、6、6、4、4个默认框进行多尺度密集采样，然后分别使用3×3的卷积预测不同默认框所属的类别分数和边界框位置。SSD的训练首先需要确定正负样本，正样本主要有两部分组成：首先是针对每个真实地物，选取与之IoU最大的默认框进行匹配；其次，在未匹配的默认框中，选取与任意真实地物的IoU超过设定阈值的默认框也进行匹配，匹配成功的默认框作为正样本。由于真实地物相比于背景非常少，为了保证正负样本平衡，SSD采用难例挖掘（hardnegativemining）对所有未匹配默认框根据置信度升序排列，选取较小的前k个（top-k）默认框作为负样本，保证正负样本的比例为1:3。SSD的任务是同时进行检测目标的类别分类和边界框位置的回归，因此损失函数定义为置信度误差Lconf和位置误差Lloc的加权和，如式(2-7)所示：L(x,c,l,g)=1N(Lconf(x,c)+αLloc(x,l,g))(2-7)其中，N是默认框的正样本数量，若N=0，则损失函数值为0；x∈{0,1}为一个指数参数，表征默认框与各类别的真实地物的匹配结果；c为类别置信度预测值；l表示默认框对应的边界框的位置预测值；而g是真实地物的位置参数；α为权重参数，通过交叉验证设置为1。置信度误差Lconf和位置误差Lloc分别采用smoothL1和Softmax函数进行计算，如式(2-8)、(2-9)所?
【参考文献】：
期刊论文
[1]Rapid detection to long ship wake in synthetic aperture radar satellite imagery[J]. CHEN Peng,LI Xiunan,ZHENG Gang. Journal of Oceanology and Limnology. 2019(05)
[2]基于CFAR级联的SAR图像舰船目标检测算法[J]. 陈祥,孙俊,尹奎英,于俊朋. 现代雷达. 2012(09)
[3]快速的Otsu双阈值SAR图像分割法[J]. 尹奎英,刘宏伟,金林. 吉林大学学报(工学版). 2011(06)
[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]一种从SAR海洋图像中检测舰船航迹的算法[J]. 邹焕新,匡纲要,郁文贤. 现代雷达. 2004(01)
[6]SAR影像几何校正[J]. 张永红,林宗坚,张继贤,甘梦龙. 测绘学报. 2002(02)
硕士论文
[1]基于CNN的SAR舰船检测及其在移动终端的应用[D]. 徐鹏.河南大学 2017
[2]高分辨率SAR图像海上舰船目标检测方法研究[D]. 汪炜.上海交通大学 2014
[3]SAR图像舰船目标检测方法研究[D]. 张亮.国防科学技术大学 2007
本文编号：2943393
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
9种候选框示意图
电子科技大学硕士学位论文图2-14SSD的网络结构SSD中的默认框类似于FasterR-CNN中的候选框，区别在于SSD在多个尺度的特征图上设置默认框，而不同于FasterR-CNN只在最后一层的特征图上设置候选框。特征图上的每个单元设置不同长宽比的默认框，常用的长宽比为（1，2，3，1/2，1/3），有时还会增加一个长宽比为1但尺度特殊的默认框。SSD分别在conv4_3、conv7、conv8_2、conv9_2、conv10_2、conv11_2层的特征图上的每个单元设置4、6、6、6、4、4个默认框进行多尺度密集采样，然后分别使用3×3的卷积预测不同默认框所属的类别分数和边界框位置。SSD的训练首先需要确定正负样本，正样本主要有两部分组成：首先是针对每个真实地物，选取与之IoU最大的默认框进行匹配；其次，在未匹配的默认框中，选取与任意真实地物的IoU超过设定阈值的默认框也进行匹配，匹配成功的默认框作为正样本。由于真实地物相比于背景非常少，为了保证正负样本平衡，SSD采用难例挖掘（hardnegativemining）对所有未匹配默认框根据置信度升序排列，选取较小的前k个（top-k）默认框作为负样本，保证正负样本的比例为1:3。SSD的任务是同时进行检测目标的类别分类和边界框位置的回归，因此损失函数定义为置信度误差Lconf和位置误差Lloc的加权和，如式(2-7)所示：L(x,c,l,g)=1N(Lconf(x,c)+αLloc(x,l,g))(2-7)其中，N是默认框的正样本数量，若N=0，则损失函数值为0；x∈{0,1}为一个指数参数，表征默认框与各类别的真实地物的匹配结果；c为类别置信度预测值；l表示默认框对应的边界框的位置预测值；而g是真实地物的位置参数；α为权重参数，通过交叉验证设置为1。置信度误差Lconf和位置误差Lloc分别采用smoothL1和Softmax函数进行计算，如式(2-8)、(2-9)所?
【参考文献】：
期刊论文
[1]Rapid detection to long ship wake in synthetic aperture radar satellite imagery[J]. CHEN Peng,LI Xiunan,ZHENG Gang. Journal of Oceanology and Limnology. 2019(05)
[2]基于CFAR级联的SAR图像舰船目标检测算法[J]. 陈祥,孙俊,尹奎英,于俊朋. 现代雷达. 2012(09)
[3]快速的Otsu双阈值SAR图像分割法[J]. 尹奎英,刘宏伟,金林. 吉林大学学报(工学版). 2011(06)
[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]一种从SAR海洋图像中检测舰船航迹的算法[J]. 邹焕新,匡纲要,郁文贤. 现代雷达. 2004(01)
[6]SAR影像几何校正[J]. 张永红,林宗坚,张继贤,甘梦龙. 测绘学报. 2002(02)
硕士论文
[1]基于CNN的SAR舰船检测及其在移动终端的应用[D]. 徐鹏.河南大学 2017
[2]高分辨率SAR图像海上舰船目标检测方法研究[D]. 汪炜.上海交通大学 2014
[3]SAR图像舰船目标检测方法研究[D]. 张亮.国防科学技术大学 2007
本文编号：2943393
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2943393.html
