基于极化SAR梯度和复Wishart分类器的舰船检测

舰船检测是极化SAR系统的重要应用之一。现有的舰船检测方法容易受到旁瓣泄露的干扰,使得舰船目标的形态难以提取,导致检测结果不符合真实情况。此外,在舰船过于密集、尺度不一致的情况下,相邻舰船由于旁瓣的影响有时会被认为是单个目标,从而造成漏检。针对这些问题,该文提出一种基于极化SAR梯度和复Wishart分类器的舰船检测方法。首先,将似然比检验(LRT)梯度引入对数比值梯度框架,使其适用于极化SAR数据;基于LRT梯度图进行恒虚警(CFAR)检测,提取舰船的边缘信息,消除伪影的同时抑制强旁瓣对舰船精细轮廓提取的影响。其次,利用复Wishart迭代分类器对舰船强散射部分进行检测,可排除大部分的杂波干扰且保持舰船形态细节。最后,将二者信息融合,从而可以保持舰船形态细节的同时克服旁瓣和伪信号的虚警。该文在3幅来自ALOS-2卫星的极化SAR图像上进行了对比实验,实验表明与其他方法相比,该文所提算法具有更少的虚警和漏检,且能够有效克服旁瓣泄露,保持舰船形态细节。

多域特征引导的无监督SAR图像舰船检测方法

如何在合成孔径雷达(SAR)图像标注样本有限的条件下,提升舰船检测性能一直是SAR图像处理中的热点问题。本文提出一种多域特征引导的无监督域适应方法,将知识从有标注的源域(光学图像)转移到未标注的目标域(SAR图像),降低对标记SAR图像数据依赖。同时,设计了频域转换模块、注意力区域增强模块和自适应权重模块来缩小光学、SAR图像域之间的域差距,提高源域与目标域特征对齐效率,增强网络在挑战性样本下的特征迁移能力。在公开发布的数据集上进行了大量实验。结果表明:所提的模块较基础模型AP50提升10%,总体性能优于其他先进的方法。

改进FCOS的SAR图像舰船检测算法

针对SAR图像中舰船检测的目标尺度变化大及背景复杂等影响因素,提出一种基于FCOS的一阶段舰船目标检测算法。采用基于拆分注意力和分组卷积的ResNeSt网络作为主干网络进行提取特征,同时在特征金字塔基础上增加聚合路径和注意力机制,提升特征融合能力,实现对网络结构的优化。结果表明,改进方法相对于基线网络平均精度提升了2.15%,精准率提升了2.4%,召回率提升了3.59%。该研究在处理SAR图像中舰船检测任务时具有较好的性能。

结合特征融合和注意力机制的SAR舰船检测算法

针对现有的合成孔径雷达目标检测算法仅利用图像底层特征进行检测存在的对小尺度舰船目标的检测率较低问题,提出一种结合特征融合和注意力机制的目标检测算法。面向SAR舰船目标检测,在原始主干网络SSD目标检测算法的基础上,引入注意力机制模块、不同层次的特征图进行特征融合、对含有小尺度目标的图像进行过采样还通过多次复制粘贴小目标实现数据增广。实验通过对SAR舰船图像数据集的大量训练和测试,结果表明本文算法能有效提升对舰船目标的综合检测性能,在公开SAR舰船目标检测数据集上平均精度可以达到94.16%。

基于边缘增强与注意力机制的SAR舰船检测模型

合成孔径雷达图像用于舰船检测时,不可避免地受到相干斑噪声影响,并且近岸舰船检测易被复杂背景信号淹没。对此提出一种基于边缘特征融合网络的舰船检测算法RBox-YOLO,以YOLOv8为基线网络通过优化Canny算子边缘来增强图像中的边缘轮廓,形成较完整的物体边界。引入一种基于坐标注意力机制的FDN模块融合去噪后图像,以提高复杂背景下捕获关键信息的能力。采用双线性插值法的上采样与注意力机制结合的CAU模块,减少上采样带来的细节特征损失。另外,使用一种基于旋转框的损失函数来提高复杂背景下舰船的检测效果。实验结果表明,RBox-YOLO算法既保持了YOLOv8算法实时检测速度,平均精度还提高了8个百分点。初步判定RBox-YOLO算法具有良好的检测性能和较高的应用价值。

改进RTMDet的SAR舰船检测算法

针对合成孔径雷达(synthetic aperture radar,SAR)图像中小目标舰船和复杂背景下舰船检测精度低的问题,提出一种改进RTMDet(real-time models for object detection)的SAR舰船检测算法。优化主干网络结构中的基本构建单元,并引入全局注意力机制SimAM(simple,parameter-free attention module),在不增加额外参数的情况下提高模型对关键特征信息的提取能力;为了在特征融合过程中减少小目标特征信息流失和增加其在浅层特征图中的融合占比,构建新的轻量级特征融合模块SPD-RPAFPN(space to depth reverse path aggregation feature pyramid network);在预测模块中将回归损失函数替换为KFIoU(Kalman filter based intersection over union),提高模型对小目标舰船的检测能力。在公开数据集RSDD上进行了实验对比,改进后的算法相比RTMDet,模型参数量和计算量分别下降4.5%和10.8%,同时近岸AP提高14.6个百分点,总AP提高2.7个百分点,达到90.7%。与目前的主流算法对比,SAR舰船检测精度也明显提升,证明了改进RTMDet算法的有效性。

基于锚框自适应和多尺度增强的SAR舰船检测

针对目前基于深度学习的合成孔径雷达(synthetic aperture radar, SAR)舰船检测锚框尺度固定、多尺度检测性能较差的问题,提出了一种基于锚框自适应和多尺度增强网络(adaptive anchor multi-scale enhancement network, AA-MSE-Net)的SAR舰船检测方法。首先,AA-MSE-Net引入了锚框自适应机制,来生成适应目标形态的高质量锚框,增强了舰船形态描述能力。其次,AA-MSE-Net提出了多尺度增强金字塔网络,来融合增强多尺度特征,增强了多尺度描述能力。最后,AA-MSE-Net在骨干网络中引入了可变形卷积,来提取舰船形变特征,进一步提高检测精度。实验证明,AA-MSE-Net在公开SAR舰船检测数据集上的平均精度高于8种对比方法。

基于改进CenterNet的轻量级无锚框SAR图像多尺度舰船检测算法

针对复杂场景下多尺度舰船检测精度较差、效率较低、泛化性较弱等问题,本文构建了一个轻量级无锚框的合成孔径雷达图像舰船检测框架。为满足合成孔径雷达图像舰船实时检测的需求,提出了基于改进CenterNet的轻量级无锚框合成孔径雷达图像舰船检测方法,通过预测目标关键点的信息及检测框的相关属性,实现了合成孔径雷达图像舰船快速准确定位与检测。为解决合成孔径雷达图像样本稀缺的问题,采用了适用于合成孔径雷达舰船图像的数据增强方法以扩充训练样本,并引入了多尺度训练以增强模型泛化性能。实验结果表明:本文方法具有检测效率高、检测精度好、泛化性能强等优势,能实现复杂场景下多尺度舰船的实时高精度检测。

基于特征解耦的SAR图像舰船检测蒸馏

目前,基于深度学习的合成孔径雷达(SAR)舰船目标检测方法受到广泛关注。但因为模型参数量大、运算内存高等问题限制了其实际应用。通过学生网络模仿教师网络,知识蒸馏被视作一种高效的模型压缩方法。然而,大部分的知识蒸馏算法只针对常见的可见光图像任务,将其直接应用到复杂的SAR图像舰船目标检测上性能表现不佳。通过分析,出现上述性能不佳现象有以下两个原因:(1)前景背景面积严重失衡;(2)缺乏对前景和背景像素的关系建模。针对上述问题,提出基于解耦特征的拓扑距离知识蒸馏算法。前景和背景解耦蒸馏可以缓解前景背景失衡问题。通过解耦特征拓扑距离蒸馏,学生网络可以从教师网络学习到前景背景之间的关系,增强对背景噪声鲁棒性。实验结果表明,相比许多蒸馏算法,所提出的算法可以十分有效地提升学生网络在SAR图像舰船目标检测精度。比如,基于ResNet18-C4骨干网络的Faster R-CNN模型在HRSID数据集上AP提升6.85个百分点,从31.81%提升到38.66%。

基于多任务学习的近岸舰船检测方法

在遥感光学图像近岸舰船目标检测任务中,针对近岸复杂场景中存在形状近似目标的虚警问题,提出一种基于多任务学习的近岸舰船目标检测方法。该方法通过构建海陆分割任务与舰船检测任务并行双路框架,将传统的任务串行处理流程优化为并行处理方式,设计联合损失函数进行双路优化训练约束,提升模型训练的稳定性,通过双分支融合模块剔除陆地掩膜中的检测结果,实现陆地虚警滤除。采用谷歌地球遥感图像制作的数据集进行实验,将本文提出的方法与单任务检测算法YOLOv5相比,mAP提升了4.4个百分点,虚警率降低了3.4个百分点。实验结果表明本文算法对陆地虚警抑制有效。

基于YOLO框架的轻量化SAR图像舰船检测方法研究

针对现有的目标检测算法对合成孔径雷达(Synthetic Aperture Radar, SAR)图像中的舰船目标检测精度低、速度慢的问题,提出了一种基于YOLO框架的轻量化SAR图像舰船检测算法。基于YOLO框架,用Ghost模块和高效通道注意力(Efficient Channel Attention, ECA)机制来改进ShuffleNetV2网络构建新的骨干网络,以降低内存访问成本,提高特征提取能力;将颈部网络中的C3模块引入多尺度金字塔切分注意力(Pyramid Split Attention, PSA)模块,充分提取不同尺度特征图的空间信息,加强多尺度特征融合能力;用轻量级GSConv卷积消除模型冗余特征,在保持检测精度的同时降低模型参数量。实验结果表明,在公开数据集SSDD上,所提模型的平均精度达到94.8%,参数量为3.10 M,模型权重大小为6.4 MB,满足SAR图像舰船实时检测的需求。

面向嵌入式平台的光学遥感图像舰船检测识别

建设海洋强国是我国当前大力发展的战略方向。针对现有基于深度学习的遥感图像舰船目标检测识别算法在嵌入式平台上存在检测分类识别率低、运行速率慢等问题,提出了一种基于寒武纪MLU220嵌入式平台改进的Mix-YOLO网络模型。该模型以YOLOv7-tiny网络为基本框架,首先,引入MobileNet系列网络模块对特征提取网络进行部分替换,减少网络参数量;然后,引入ULSAM注意力机制,以便增强网络学习分类能力,减少虚警率;最后,为了显著提升嵌入式平台检测速率,采用将网络模型大模块拆分为小模块的编写方式。实验结果表明:Mix-YOLO算法在原YOLOv7-tiny网络基础上,参数量和计算量分别下降了39.70%和29.70%,处理帧率由97.27 fps提升至120.88 fps,精度提高了7.7%,能够实现对遥感图像中舰船目标的实时检测识别。

一种面向SAR图像快速舰船检测的轻量化网络

在基于深度学习的合成孔径雷达(SAR)图像舰船检测领域,传统的模型通常结构复杂、计算量大,难以适配低算力平台并实现实时检测;同时,依赖于预设锚框的卷积神经网络因锚框位置较难合理设置,容易导致大量计算冗余。针对上述问题,提出一种基于无锚框的端到端轻量化卷积神经网络,设计了一种轻量的通道注意力模块(EESE)并将其应用于解耦合检测头(ED-head)上,有效解决了分类和定位2种任务的冲突。此外,提出一种优化的EIOU损失函数,在保证推理速度几乎不变的情况下有效提升网络性能。在SSDD数据集上的实验结果表明:与YOLOX-nano相比,该方法的AP50和AP分别提高2.1和7.4个百分点,在CPU上推理延迟仅5.33 ms,远小于YOLOX-nano的13.13 ms,实现了精度与效率的平衡。

基于Att-DConv的遥感舰船检测方法研究

针对遥感影像的舰船目标检测问题,提出了一种基于深度学习的舰船检测模型。首先利用空洞卷积组与通道注意力模块构成骨干网络,然后对所有特征提取层输出的不同尺度特征图进行拼接,再以融合后特征层分别进行上、下采样的方式构建了4个检测尺度的特征增强网络,最后采用改进的NMS算法优化最终的检测框输出。利用开源数据集UCMerced_LandUse与FAIR1M混合数据集对模型进行训练和测试,利用多种图像增强算法优化训练集质量,采用马赛克处理获取正样本更多的训练影像,并在未经处理的原始影像上进行测试。结果表明,该模型的精度均值可达0.91,检测速度可达34 f/s,对于不同复杂程度背景和尺度的舰船样本具有稳定的检测能力。

基于无损压缩和量化感知的SAR舰船检测网络边缘部署

基于深度神经网络的方法在合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标检测任务上展现出巨大优势,但是庞大的参数量和算力需求导致其难以在资源受限的边缘环境下部署。针对该问题,本文从网络轻量化和模型部署优化两个层面对单阶段目标检测网络YOLO(You Only Look Once)v5s进行改进,提出了面向边缘环境的SAR图像舰船目标检测网络部署方法。在网络轻量化层面,本文联合基于批归一化层缩放因子的通道级网络剪枝和基于特征响应的细粒度知识蒸馏实现了舰船检测网络的无损压缩。轻量化模型的参数量和计算量相较于基线分别下降了80.3%和51.3%,并且没有引起检测精度的损失,在SAR图像舰船检测数据集(SAR Ship Detection Dataset,SSDD)上的平均准确率为0.979(基线为0.980)。在模型部署优化层面,本文基于嵌入式GPU(Graphic Process Unit)提出了量化感知训练指导的混合精度TensorRT(Tensor Real-Time)推理引擎,大幅提升模型推理速度的同时降低了设备的运行功耗。轻量化推理引擎在尺寸为640×640 pixels的SAR图像上的推理速度为208帧每秒,达到了基线的3.41倍,同时设备的推理功耗仅6.2 W,相比基线下降了61.0%。另外,得益于量化感知训练,混合精度TensorRT推理引擎在取得与8位整型精度TensorRT推理引擎相似的推理速度和功耗的同时,平均准确率提升了44.1%,仅比基线下降了0.9%。试验数据证明,本文所提方法能够很好地兼顾边缘环境下SAR图像舰船目标检测的实时性、精准性和低功耗特性等要求。

特征解耦和实例分割的遥感影像近岸舰船检测

针对光学遥感图像中近岸舰船目标检测的难题,提出了一种基于特征解耦和实例分割的深度学习舰船检测方法。通过自适应特征金字塔自动学习融合多尺度上下文,增强网络提取特征能力;采用边界特征解耦网络,引入边界先验知识,减少舰船紧密排布带来的漏检问题和港口与舰船相似带来的虚警问题,提升了网络检测性能;通过中心点预测对网络结果做进一步分割,进一步提高了舰船检测的精确度。在自建遥感近岸舰船检测数据集上的实验表明,论文方法优于传统的锚框方法,具有更好的检测性能。论文算法有效提高了近岸舰船目标检测的精确度,对复杂背景下近岸舰船的检测具有参考价值。

选择性视觉注意机制下的多光谱图像舰船检测

针对现有视觉注意计算模型不适于处理维度大于4的多维图像的不足,将选择性视觉注意机制引入到多光谱遥感图像目标检测中,提出一种基于双四元数的视觉注意计算模型.将多维数据构建成双四元数的形式,利用其傅里叶变换的相位谱来提取显著性区域以用于显著目标检测;实现了多维数据的整体处理,并充分利用了频率域和空间域的信息.与传统的多光谱图像目标检测方法相比,该模型计算复杂度低、对各种参数设置的依赖性小.模拟数据与真实多光谱遥感数据的实验结果表明,文中方法具有良好的检测效果,同时对噪声具有较强的鲁棒性.

光学遥感图像中复杂海背景下的舰船检测

本文针对光学遥感图像中复杂海背景下的舰船检测问题,提出一种快速精确的舰船检测方法。首先,基于最大对称环绕显著性检测完成初始目标候选区域提取,并结合一种基于元胞自动机的同步更新机制,利用图像局部相似性和舰船目标几何特征,对初始目标候选区域进行更新,并通过OTSU算法获取最终目标候选区域;然后,根据舰船目标的固有特性对方向梯度直方图特征进行改进,提出一种新的表征舰船特性的边缘-方向梯度直方图特征对舰船目标进行描述,与传统HOG特征相比,这种特征向量侧重于对边缘特征的描述,对梯度向量鲁棒性更强,并且仅为一个24维的特征向量,计算复杂度低;最后,通过构建的训练库完成AdaBoost分类器的训练,并利用训练完成后的AdaBoost分类器完成目标的最终判别确认。本文的检测算法,针对尺寸为1 024pixel×1 024pixel的遥感图像,检测时间为2.386 0s,召回率为97.4%,检测精度为97.2%。实验表明,本文提出算法的检测性能优于目前主流的舰船检测算法,在检测时间和检测精度上都能够满足实际工程需要。

遥感图像中舰船检测方法综述

随着遥感成像技术的发展,遥感图像中大型移动目标的检测和识别成为可能,舰船目标检测和识别就是在这一背景下提出的。在参考大量文献的基础上,回顾了舰船检测的发展历程,分析了其研究现状,对舰船检测方法进行了综述并分类,在此基础上对各类算法进行对比,最后给出了该领域存在的问题和发展趋势。

基于视觉显著性的海面舰船检测技术

海面舰船检测技术有着特殊的军用以及民用意义,为了在宽广且环境复杂多变的海面上快速、高效、精确地检测到舰船目标,本文提出了一种基于多特征、多尺度视觉显著性的海面舰船检测方法.该方法充分利用了四元数图像可在多个通道上同时进行操作,节省操作时间,并保证不同尺度特征之间关联性的特点;除此之外,该方法还利用人眼对不用大小的图像关注目标不同的特点对图像进行尺度大小变换以避免漏检.该方法先用顶帽算法对原图进行简单的图像预处理以抑制云层、油污的干扰;其次提取多种特征构成四元数图像进行舰船目标显著性检测;在得到显著图后利用OTSU分割算法确定舰船所在的区域,并在原图上标定、提取舰船目标.通过在多种海面情况下分别进行实验分析,实验结果表明该算法可以排除云、雾、油污等干扰,精确、快速地检测到舰船目标,真正率达96.52%,虚警率低至2.11%,相较于他显著性检测算法在舰船检测方面有明显的优势.