SAR图像舰船目标检测的轻量化和特征增强研究

针对合成孔径雷达(SAR)图像中的舰船目标的准确率易受近岸杂波的影响,且现有检测算法复杂度高,在嵌入式设备上的部署难度大的问题,提出一种适用于嵌入式设备的轻量化高精度SAR图像舰船目标检测算法CA-Shuffle-YOLO。基于YOLO v5目标检测算法,对骨干网络进行轻量化及特征精细化提取两个方面的改进,引入轻量化模块以降低网络的计算复杂度,提高推理速度,并引入协同注意力机制模块增强算法对近岸船舶目标的细节信息的提取能力。在特征融合网络中采用加权特征融合以及跨模块融合,增强模型对SAR舰船目标的细节信息的融合能力,同时,利用深度卷积模块降低计算复杂度,提高实时性。通过在SSDD舰船目标检测数据集上的测试及对比实验的结果,表明CA-Shuffle-YOLO的检测准确率约为97.4%,检测帧率为206 FPS,所需运算复杂度为6.1 GFlops,相比原始的YOLO v5,所提方法的检测帧率提升了60 FPS,所需运算复杂度降低为原来的12%。

逐像素注意力驱动的红外小目标检测网络

红外小目标检测在军事和民用领域获得了广泛应用,但其存在目标尺度小、细节少、复杂背景干扰等问题,现有经典深度学习检测方法往往适用于通用目标检测,对红外小目标适配性较差。针对上述问题,构建了一种新的基于U形注意力块和逐像素注意力块的红外小目标检测网络。设计了U形注意力块,在单层级内通过局部U形子网络提取多尺度特征,并通过逐像素注意力精细化增强小目标特征,丰富多尺度小尺度目标特征表示,提升网络对小尺度目标判别能力;通过稠密融合方式进一步保留小目标信息,缓解不同层特征融合时的语义鸿沟,降低漏检率;将空间与通道2个维度逐像素注意力块应用于融合后的特征图,避免小目标特征被衰减,同时抑制复杂背景干扰。实验结果表明,提出的网络在2个红外小目标数据集NUDT-SIRST与IRSTD-1k上交并比、检测概率、虚警率指标均超过最新基准方法。此外,所提网络在检测精度和效率上也达到较好平衡。