双向特征融合的数据自适应SAR图像舰船目标检测模型

发布时间：2021-09-17 05:54

　　目的利用合成孔径雷达（synthetic aperture radar,SAR）图像进行舰船目标检测是实施海洋监视的重要手段。基于深度学习的目标检测模型在自然图像目标检测任务中取得了巨大成功,但由于自然图像与SAR图像的差异,不能将其直接迁移到SAR图像目标检测中。针对SAR图像目标检测实际应用中对速度和精度的需求,借鉴经典的单阶段目标检测模型（single shot detector,SSD）框架,提出一种基于特征优化的轻量化SAR图像舰船目标检测网络。方法改进模型并精简网络结构,提出一种数据驱动的目标分布聚类算法,学习SAR数据集的目标尺度、长宽比分布特性,用于网络参数设定;对卷积神经网络（convolutional neural network,CNN）提取的特征进行优化,提出一种双向高低层特征融合机制,将高层特征的语义信息通过语义聚合模块加成到低层特征中,在低层特征中提取特征平均图,处理后作为高层特征的注意力权重图对高层特征进行逐像素加权,将低层特征丰富的空间信息融入到高层特征中。结果利用公开的SAR舰船目标检测数据集（SAR ship detection dataset,SS... 

【文章来源】：中国图象图形学报. 2020,25(09)北大核心CSCD

【文章页数】：10 页

【部分图文】：

本文模型框架图

为直观理解CNN提取的特征，本文将训练好的LSSD模型中不同层的特征进行可视化。图2是训练好的LSSD模型提取的两幅SAR图像conv3＿3、conv4＿3、conv7、conv8的第1通道和第64通道的特征图及各通道平均热力图。可以看出，针对输入的特定图像，不同卷积层在不同通道提取了不同特征，但很难解释特定通道特征的含义。为展示每个卷积层提取的整体特征，在特征层通道维进行全局平均池化，得到特征的空间维平均图，并以热图的形式展示。从平均图可以看出，随着特征层的增深，平均特征中关于目标的表征越来越抽象。其中，在conv4＿3的特征平均图中，无论背景是较为简单的水面，还是更复杂的陆地，舰船目标与背景分离最明显。受计算机视觉中注意力机制(Woo等，2018)启发，将conv4＿3特征平均图视为空间注意力显著图，指导网络更关注的位置。可以直接利用conv4＿3特征平均图作为权重图，去对其余更深的特征层进行加权，以这种方式将低特征层的目标位置信息传递到更深的特征层中，实现特征自下而上的融合。2.2 特征双向融合实施流程

对本文方法利用公开的SSDD数据集进行实验，首先利用基于聚类的数据集目标特性统计方法指导的网络参数设置与原SSD网络参数设置进行对比，然后逐步对比本文方法每一模块的效果，最后将本文方法与其他SAR舰船目标检测的方法进行对比。3.1 数据集说明与实验设置

【参考文献】：
期刊论文
[1]基于生成对抗网络和线上难例挖掘的SAR图像舰船目标检测[J]. 李健伟,曲长文,彭书娟,江源.  电子与信息学报. 2019(01)
[2]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)



本文编号：3398102