原文传递
SAR图像舰船目标检测方法研究
| 论文题名： | SAR图像舰船目标检测方法研究 |
| 关键词： | SAR图像;舰船目标检测;深度学习;Faster-RCNN模型;样本不平衡 |
| 摘要： | 合成孔径雷达（SyntheticApertureRadar,SAR）凭借其全天时、全天候探测，分辨率高等优势，目前已广泛应用于军事侦查、海洋监督、科学研究等领域。随着各国海洋竞争日益激烈以及各种先进的星载SAR相继出现，可获得的SAR图像数据数量与日俱增，质量也在不断提升，如何利用SAR数据更好的进行舰船目标检测已经成为SAR图像解译中的一个重要研究方向。本文针对SAR图像舰船目标检测任务展开研究，重点就SAR图像传统检测鉴别方法和深度学习目标检测算法进行深入探索和分析，总结了现有方法的不足，并进行相应的改进。本论文主要研究内容概括如下： 1.研究了双参数恒虚警率（ConstantFalseAlarmRate，CFAR）检测和阈值检测两种传统目标检测算法，以及基于多特征选择的目标鉴别算法。利用检测算法从图像中找到疑似舰船目标区域，并对比分析两种检测算法的优点和不足；接着提取疑似目标切片的22种常用特征并组合，进一步鉴别目标和杂波，降低虚警。 2.研究了基于Faster-RCNN的深度学习目标检测算法。具体介绍了深度学习中经典的两步目标检测—RCNN系列算法，并将Faster-RCNN应用到SAR图像舰船目标检测任务中，实现了端到端处理。一方面，针对Faster-RCNN检测过程存在的难易样本不平衡问题进行深入研究，将Focalloss应用于分类支路，并对回归支路的损失函数进行改进，提出了适用于SAR图像舰船目标检测的SARShipL1（SSL1）损失函数；另一方面，针对Faster-RCNN网络结构展开研究，探索了多种特征融合方式并引入注意力机制（ConvolutionalBlockAttentionModule，CBAM），提高了特征表征和专注能力；最后，通过在SARShipDetectionDataset（SSDD）数据集实验，验证了上述研究方法的有效性。 3.针对Faster-RCNN网络检测结果的后处理研究。由于Faster-RCNN是基于候选区域的检测算法以及SAR成像的特殊性，Faster-RCNN的检测结果依然存在检测框不完整、邻近目标漏检和检测框重叠导致的虚警等问题；针对上述问题，研究了相应的鉴别后处理流程，实现了进一步提高检测率的同时降低虚警数量。 |
| 作者： | 杨振东 |
| 专业： | 信息与通信工程;信号与信息处理 |
| 导师： | 王英华 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西安电子科技大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
