原文传递
基于卷积神经网络的SAR图像舰船目标检测技术研究
| 论文题名： | 基于卷积神经网络的SAR图像舰船目标检测技术研究 |
| 关键词： | 合成孔径雷达;舰船检测;海陆分割;卷积神经网络;无锚框 |
| 摘要： | 随着合成孔径雷达（SAR）技术的发展，SAR成像分辨率大幅提升，图像数据内容更为复杂，这对SAR图像智能解译技术提出了更高的要求。SAR图像舰船目标检测是SAR图像解译的关键组成部分，已成为海洋遥感应用研究的重要课题。近年来，基于卷积神经网络的目标检测方法已成为遥感图像目标检测领域的研究热点。相比于经典的恒虚警率检测算法，卷积神经网络结构灵活、能自动提取结构化特征，无需进行复杂的建模和参数调整。本文基于卷积神经网络理论，围绕SAR图像海陆分割、舰船目标检测及一体化检测流程进行研究。 在SAR图像海陆分割方面，针对双边网络难以提取SAR图像的上下文语义信息和空间信息的问题，提出了基于改进双边网络的SAR图像海陆分割方法。根据SAR图像特点，选用ResNet-18轻量化模型作为上下文路径骨干网络，既能提供较广阔的特征感受野，又能减少过拟合现象，同时缩减双边网络中空间路径的卷积层数，降低空间信息损失，此外，提出边缘增强损失函数策略，提升模型分割性能。基于高分三号SAR图像数据的实验表明，本文改进可降低网络规模，有效提升网络的预测精度和分割速率，且具有良好的泛化性能。 在SAR图像舰船目标检测方面，改进了基于无锚框的SAR图像舰船目标检测算法。针对无锚框目标检测算法中目标边框重叠产生语义模糊的问题，提出Category-Position优化模块，其基于分类分支特征生成导引向量并对位置回归分支特征进行优化，提升模型检测性能。同时重新设计目标分类与边界框回归方式，屏蔽模糊区域在网络训练中的不利影响。基于HRSID数据集的实验结果表明，所提改进措施有效提升了网络的检测精度，同时在其他公开舰船数据集上展现出更优的泛化性能。 最后，本文对复杂场景SAR图像舰船目标一体化检测流程进行了研究，针对近岸等场景舰船目标检测算法的特点及难点，结合所提SAR图像海陆分割与目标检测算法，设计了复杂场景SAR图像舰船目标一体化检测流程。首先进行SAR图像海陆分割，而后根据分割结果划分SAR图像切片数据场景类型，即开阔海域、陆地区域、海陆交界区域，最后利用深度学习检测算法提取开阔海域和海陆交界区域中的舰船目标。利用高分三号及哨兵一号多个模式数据进行实验，并与其他舰船目标检测流程进行对比，验证了本文一体化检测流程的有效性。 |
| 作者： | 戴牧宸 |
| 专业： | 信息与通信工程 |
| 导师： | 计科峰;熊博莅 |
| 授予学位： | 硕士 |
| 授予学位单位： | 国防科技大学 |
| 学位年度： | 2020 |
检索历史
应用推荐
