基于演化多目标聚类的SAR图像变化检测

基于合成孔径雷达(SAR)图像的变化检测是遥感领域中一项具有挑战性的任务,如何在噪声鲁棒性和有效保留细节之间取得平衡是一个迫切需要解决的问题。然而,大多数SAR图像变化检测方法为了更好地抑制斑点噪声,不可避免地会在一定程度上丢失图像细节。为了解决这一问题,提出了一种基于演化多目标聚类的SAR图像变化检测多目标聚类算法,将变化检测问题转化为一个多目标优化问题。该方法同时构建了两个相互冲突的目标,即分别基于原始差异图与噪声滤波后差异图的聚类能量函数,并用基于分解的演化多目标优化算法MOEA/D对以上目标函数进行优化,实现对差异图不变区域与变化区域的聚类。利用该技术可得到一组变化检测图,用户可以根据自己的需求选择合适的结果。最后,在两个SAR图像数据集上进行了充分的实验,结果表明了该方法的有效性。

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。

基于跨域小样本学习的SAR图像目标识别方法

由于SAR图像获取难度大,可供研究的样本数量较少,解决有限样本条件下SAR图像目标识别问题成为业界公认的挑战。随着深度学习在计算机视觉领域的发展,衍生出了多种小样本图像分类方法,因此考虑采用跨域小样本学习范式解决小样本SAR图像目标识别问题。具体地,先在多个源域中训练得到不同域的特征提取器,而后通过知识蒸馏的方法获取一个通用的特征提取器,这里采用中心核对齐的方法,将提取的特征映射到一个更高维的空间,从而更好地区分原特征之间的非线性相似性;通过上一阶段获得的通用特征提取器提取目标域图像特征,最后采用原型网络的方法预测样本的类别。实验证明,该方法在缩减模型参数的同时,获得了88.61%的准确率,为解决小样本SAR图像目标识别问题提供了新的思路。

基于多层显著性模型的SAR图像舰船目标检测

针对合成孔径雷达图像舰船目标检测问题,提出了一种结合选择机制与轮廓信息的多层显著性目标检测方法。首先,利用非下采样剪切波和频谱残差法进行全局显著性区域提取。其次,提出了一种基于动态恒虚警率的活动轮廓显著性模型,逐步滤除候选区域的虚警,提取目标轮廓,从而实现目标的精确检测。所提方法能够由粗到细地快速捕获目标区域,从而实现高效、高分辨率合成孔径雷达图像舰船检测。最后,在真实SAR数据集进行了测试,与其他经典的舰船检测方法相比,所提算法不仅有效地抑制了海杂波的影响,而且在检测精度上有较大提高。

基于改进YOLOv5-ResNet的海上舰船SAR图像快速检测

在恶劣天气和海浪等自然因素的影响下,基于可见光数据进行舰船目标监测等手段往往难以有效开展,需要借助主动式微波成像卫星合成孔径雷达(SAR)进行图像解译。为了解决深度学习在处理数据集较小图像上无法准确提取特征及数据相似度较高的问题,基于YOLOv5-ResNet提出了一种跨尺度融合机制,重新定义损失函数。研究表明,识别SAR舰船目标的准确率有一定的提升:识别单目标舰船检测最高准确度达到93%,同比YOLOv5提升4%,比YOLOv5-ResNet50提升20%;在近岸舰船目标检测上,有效降低了由于数据集质量不佳、模型训练方法不当等造成误差率的非必要上升。

基于CAM-YOLOX的大场景SAR图像近岸场景舰船目标检测

针对大场景SAR图像近岸场景舰船目标检测中遇到的陆地目标虚警和岸边目标漏检等问题,基于YOLOX设计了一种轻量化的改进模型CAM-YOLOX。首先,在骨干部分嵌入CAM,增强舰船特征提取以保持较高的检测性能;其次,在特征金字塔网络结构中增加一个浅层分支,以增强对小目标特征的提取能力;最后,在特征融合网络中用Shuffle unit替换CSPLayer中的CBS和堆叠的Bottleneck结构,实现了模型压缩。在LS-SSDD-v1.0遥感数据集上进行实验,实验结果表明,本文改进算法相较于原始算法在近岸场景舰船检测的精确率P提高了5.51%,召回率R提高了3.68%,模型参数量减小了16.33%。本文算法能在不增加模型参数量的情况下,有效抑制近岸场景中陆地上的虚警和减少岸边舰船漏检率。

考虑海杂波特征的SAR图像海上运动小目标检测方法

鉴于海杂波是一种非平稳性雷达信号,使用传统方法容易受到海杂波特征影响,导致检测结果不精准。充分考虑海杂波特征,提出了SAR图像海上运动小目标检测方法。根据雷达观测场景等距离环,确定波浪传播方向,分析海杂波特征。构建最优自适应海杂波抑制权矢量函数,结合约束最小方差准则抑制海杂波,避免慢速目标难以被有效检测。计算节点邻域内每个像素点到节点的距离,筛选孤立像素点。充分考虑海杂波特征,使用统计平均方式获取海杂波背景下的平均干涉幅度和相位,以此为依据检测运动小目标。实验结果表明,该方法在正常、中等和复杂海况下,检测结果与实际结果一致,说明使用该方法检测结果精准。

基于MA-DETR的SAR图像飞机目标检测

SAR图像目标检测近年来一直是研究热点,但其成像不清晰的特点也导致DETR网络模型无法很好地提取其潜在特征,同时DETR网络也存在训练周期长、收敛慢的问题。为此设计了一种基于多标签分配的DETR网络(Multi-label Assignment DETR,MA-DETR)用于SAR图像飞机目标检测任务。本文利用添加大尺度抖动(Large Scale Jittering,LSJ)的数据增强模块增强网络训练效果,然后设计了一种多标签分配监督模块处理从编码器输出的数据,其中多个监督辅助头提取潜在特征并输入到解码器改善DETR网络一对一标签分配方式的不足之处。最后还设计了一种匹配增强模块加入解码器中,缓解由匈牙利匹配算法带来的匹配离散性,提高网络训练损失收敛速度。实验结果表明:在SAR AIRcraft数据集上,相较于原方法,本文方法使AP0.5和AP0.75精度分别提高了7.9%和7.4%,同时基于相同的训练网络,其损失收敛速度有3.3倍的提升。新的网络结构有效提高SAR图像目标检测精度,并且减少了DETR网络训练周期。

基于区域特征细化感知学习的星载SAR图像有源压制干扰抑制方法

星载合成孔径雷达(SAR)系统常受到强电磁干扰而导致成像质量下降,但现有基于图像域的干扰抑制方法易造成图像失真、纹理细节信息丢失等难题。针对上述问题,该文提出了一种基于区域特征细化感知学习的星载SAR图像有源压制干扰抑制方法。首先,建立了星载SAR图像域有源压制干扰信号和图像模型;其次,设计一种基于区域特征感知的高精度干扰识别网络,利用高效通道注意力机制,提取SAR图像有源压制干扰图样特征,可以有效识别SAR图像干扰区域;然后,构建一种基于SAR图像和压制干扰特征联合学习的多元区域特征细化干扰抑制网络,将SAR图像切分为多元区域,采用多模块协同处理多元区域上的压制干扰特征,实现复杂场景条件下SAR图像有源压制干扰的精细化抑制。最后,构建SAR图像有源压制干扰仿真数据集,且采用哨兵1号实测数据进行实验验证分析。实验结果表明所提方法能有效识别和抑制星载SAR图像多种典型有源压制干扰。

基于改进YOLOv5卷积神经网络的SAR图像目标识别

提出一种改进YOLOv5网络,并将其用于SAR图像目标识别。为了优化网络性能,文中进行了三个方面的改进:使用宽度比和高度比作为标注框之间的距离度量,并采用k-means聚类方法生成先验锚点框,作为预测框优化时的框尺寸初始值;改进框回归损失函数,引入Scylla交并比来代替竞争性交并比,以提高对密集分布目标的定位精度;改进置信度损失函数,使用焦点损失来替代二元交叉熵,以提高在复杂背景下的目标识别精度。基于MSAR数据集,选择了YOLOv3、常规YOLOv5作为对比网络,进行了大量的SAR图像目标识别实验。实验结果表明,相比两种对比网络,改进YOLOv5网络对各种目标均具有更高的识别准确率、召回率和F1值,以及更高的综合指标平均精度值和平均精度均值。

用于SAR图像舰船目标检测的MAF-Net和CS损失

深度学习算法以其端到端训练和高准确率等优势被广泛应用于合成孔径雷达图像舰船检测领域。然而,SAR图像中舰船目标尺寸跨度较大,且易受到复杂背景和噪声的干扰,从而影响识别精度。为了进一步提高网络的检测精度,本文提出了一个多尺度注意力融合网络。该网络主要包含一个多尺度特征注意力融合模块,该模块使用骨干网络输出的特征图,融合多尺度的信息,在空间和通道维度对FPN输出的特征图进行增强,用于抑制噪声和背景对舰船目标的影响,提升网络的特征提取能力。此外,本文还提出了余弦相似损失,通过计算目标与非目标区域的余弦相似度,使网络更准确地区分船舶目标与背景,以进一步提高准确率。大量的实验表明,在SSDD和SAR-Ship-Dataset数据集上,本文所提的方法与现有的几种算法相比具有更高的检测精度。

基于SAR图像变化的小型目标检测

针对战场侦察的需求,结合SAR图像成像范围广、成像精度高的特性,SAR图像变化检测技术可应用于小目标检测。本文基于SAR图像尺度大而目标尺寸较小的特点,在差值法的基础上进行了改进。采用中值滤波进行图像降噪,并提出使用自适应下采样的方法进行快速图像配准,利用幂次变换增加目标信杂比提高检测率。通过实验验证改进差值法的有效性,其能够在保证检测率的同时缩短检测时间。

基于SAR图像的道路桥梁检测方法研究

为了对城市道路进行有效规划,及时发现和解决道路桥梁存在的问题以及应对自然灾害等的挑战,对道路桥梁进行及时检测尤为重要,不同的检测方法具有一定的针对性。基于此,提出了一种基于SAR图像的道路桥梁检测算法,实现了对道路桥梁的高效、准确检测,为进一步推动基于SAR图像的道路桥梁检测方法的研究提供参考。

基于双边截断的双参数海上风电站SAR图像CFAR检测

文章提出了1种基于双边截断的双参数海上风电站SAR图像CFAR检测器DTCS-TPCFAR,目的是提高在具有多个目标海上区域和石油泄漏区域等环境下对海上风电站的检测性能。DTCS-TPCFAR所提出的双边截断杂波的方法,能够同时消除高强度和低强度异常值的干扰,同时保留真实的杂波样本。通过使用最大似然估计计算双边截断后样本的均值和标准差,然后通过这2个参数估计值计算出截断阈值,最后再结合指定的虚警率(Probability of False Alarm,PFA)来对测试单元(Test Cell,TC)进行判断,完成最终的目标检测。这也是首次将CFAR检测器用于检测海上风电站。文章通过Sentinel-1数据集来验证该方法的有效性。实验结果表明,文章所提出的算法在相同指定虚警率下,具有更高的检测率(Detection Rate,DR)和更低的误报率(False Alarm Rate,FAR)。

基于平滑L0范数SAR图像重构算法

为提高合成孔径雷达(SAR)图像重构性能,针对SAR图像的特点,提出一种改进平滑L0范数的SAR图像重构算法。首先选用负指数函数作为平滑函数,通过控制参数由大到小变化,使平滑函数逐步趋近于L0范数,从而将SAR图像重构问题转化为L0范数优化问题;其次沿着最速下降方向搜索最优值,并投影在可行集上,实现优化求解。实验表明,在相同外部条件下,文章所提出的SAR图像重构方法较传统算法具有一定优势。

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。

SAR图像中舰船目标恒虚警率检测技术的研究

在各种各样的合成孔径雷达图像舰船目标检测方法中,应用最广泛、最重要的就是具有自适应阈值的恒虚警率(CFAR)检测器。为了提高SAR图像中舰船目标的检测性能,人们试图通过各种统计分布模型对SAR图像中的杂波背景进行统计建模,如Gamma分布、K分布、对数正态分布、G0分布、alpha稳定分布等,再通过相应的统计分布模型以及各种样本筛选技术的CFAR检测器对舰船目标实施检测。SAR图像中杂波背景是复杂多变的,当实际杂波背景与假定统计分布失配时,参量型CFAR检测器的性能会恶化,非参数CFAR检测器就会显示出优势。该文提出了基于Wilcoxon非参数检测器的新途径对SAR图像中舰船目标进行检测,并在Radarsat-2,ICEYE-X6和Gaofen-3卫星的实测数据上,与几种典型的参量型CFAR检测方法进行了对比。实验结果表明,Wilcoxon非参数检测方法在这3种实测数据上的虚警控制能力具有良好的鲁棒性,还可以带来弱目标检测性能的改善,具有运算速度快、易于硬件实现的特点。

基于改进YOLOv5模型的SAR图像舰船目标检测算法

针对现有的合成孔径雷达(SAR)图像舰船目标检测算法存在检测精度较差、计算量较大的问题,提出了一种基于YOLOv5和GhostNet的轻量化舰船目标检测算法。引入轻量化网络GhostNet的GhostConv和GhostC3模块用于改进YOLOv5的主干网络,实现大幅减轻模型计算量的目的。在颈部网络引入CBAMC3模块,在特征融合阶段进行注意力调整,实现目标的精确检测。此外,该算法引入EIoU损失函数,提高预测框的回归精度和收敛速度。公开数据集上的测试结果表明,该改进算法在保持较高精度的同时大幅度减少了参数量,并减小了模型体积,是理想的SAR图像轻量化舰船检测模型。

基于L_(1)范数混合主动轮廓的河流SAR图像分割

为解决现有主动轮廓模型难以准确分割河流SAR图像的问题,提出一种基于L_(1)范数的混合主动轮廓模型。首先,计算轮廓曲线内外区域像素灰度的中值作为区域拟合中心,以抑制SAR图像中干扰区域对其准确性的影响;然后,利用L_(1)范数构建新的能量约束项并在模型能量泛函中引入边缘指示函数,进一步提升模型的分割性能;最后,将基于L_(1)范数的中值和均值能量约束项结合起来并添加额外的区域拟合中心约束项,以提高模型的整体稳定性。针对实际河流SAR图像进行分割试验,结果表明,与现有分割方法相比,本文模型能更准确、稳定地分割河流SAR图像。

一种针对SAR图像的船舶目标检测算法

在SAR图像的船舶检测中,由于SAR图像船舶小、目标多,现有检测方法存在对船舶检测精度低、召回率低等问题。针对上述问题,提出了针对SAR图像的船舶目标检测模型Vessel-YOLO。首先,使用YOLOv8n为基准网络,提出了CASPP上下文空间金字塔池化结构,提高了模型对不同尺度的特征提取能力。其次,通过将所提模型的损失函数改进为Wise-IoU基于动态非单调聚焦机制的边界框损失,提高了模型对不同质量图像的适应程度。通过在标准数据集SAR-Ship-Dataset和SSDD上进行的大量实验,验证了模型的健壮性和可靠性。实验结果表明,相较于YOLOv8n,Vessel-YOLO在两个数据集上mAP_(0.5∶0.95)分别提高了1.8个百分点和2.2个百分点,所提模型以更高精度胜于现有的SAR图像船舶检测模型。