原文传递
基于轻量化CNN的SAR船舶目标检测算法研究
| 论文题名： | 基于轻量化CNN的SAR船舶目标检测算法研究 |
| 关键词： | 合成孔径雷达;船舶目标检测;轻量化模型;卷积神经网络 |
| 摘要： | 遥感卫星中合成孔径雷达（SyntheticApertureRadar，SAR）应用广泛，它是一种主动型的对地观测雷达，它监测范围广泛且能够进行全天时、全天候的工作，而且雷达波侧视扫描船舶，没有障碍物，扫描图像较为完整，因此在航海上具有较高的应用价值。 在目标检测领域，卷积神经网络以其高精度和低延迟的特点逐渐被应用在各类计算机视觉场景中，并且随着近年来的不断深入研究，目标检测算法不断迭代升级，精度越来越高，延迟越来越低。因此，卷积神经网络在海上船舶检测领域还有很大的应用空间。针对在SAR图像检测时存在模型过大、参数量过多、目标检测实时性低以及占用大量计算机资源的现象，本文的主要研究内容如下： 1．准备实验所需的SAR船舶目标检测的数据集，进行标注以及验证，针对其中存在的斑点噪声图像，基于形态学方法，通过使用不同的结构元素，建立串并联自适应权重模型，对噪声图像进行去噪处理。 2．研究了当前卷积神经网络领域较为流行的部分目标检测算法：Faster-RCNN、SSD（SingleShotMultiBoxDetector）、以及YOLOv4算法，通过理论分析比较这些算法的差异性，并将其应用在星载SAR图像船舶检测中。结果显示，YOLOv4算法不论是在简易场景还是复杂场景中检测效果都更胜一筹。 3．针对YOLOv4模型体积大、参数量大、检测速度慢的问题，使用Mobilenetv2-YOLOv4模型。该模型使用了倒残差结构以及使用深度可分离卷积替换了标准卷积，大幅减少了参数量，压缩后的轻量化模型其参数量及体积为原模型的六分之一。 4．在主干网络中使用线性瓶颈结构虽然能有效压缩模型，但是对压缩后的特征层进行深度可分离卷积提取出的特征信息会有部分丢失。针对模型轻量化常伴随的特征信息损失问题，提出CopyPaste-Mobilenetv2-YOLOv4模型。通过使用复制粘贴数据增强方式增加了图像特征信息，使得在保证模型轻量化的同时提升了检测精度。 |
| 作者： | 郑海涛 |
| 专业： | 航海科学与技术 |
| 导师： | 黄耀倞 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连海事大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
