基于模糊C均值聚类的高分辨率合成孔径雷达图像舰船目标检测

给出了一个基于模糊C均值聚类(FCM)的舰船目标检测算法。其中心思想是将SAR图像中的各像素点灰度值视为样本集,然后利用FCM算法对该样本集聚类,并利用聚类结果计算图像分割全局阈值。与目前流行的恒虚警率(CFAR)检测算法相比,所给检测算法具有参数少、计算量与图像大小成正比、舰船轮廓保持良好的特点,为高分辨率SAR图像舰船目标检测提供了一个新的选择。

高分辨率合成孔径雷达图像舰船检测方法

寻找针对高分辨率 SAR图像的舰船目标检测算法 .利用 KSW双阈值分割技术 ,其效果比传统检测方法好 ,有利于进一步的目标分类和识别 .且必须根据

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。

面向合成孔径雷达图像任意方向舰船检测的改进YOLOv3模型

为实现合成孔径雷达(SAR)图像舰船检测能同时输出目标位置和方位角估计信息,提出基于改进YOLOv3的任意方向舰船目标检测模型。定义有利于模型参数回归稳定性的角度范围,根据垂直框和旋转框预测结果定义多任务损失函数。通过融合垂直框和旋转框预测结果进行目标方位角估计校正,以进一步提高检测性能。采用SAR舰船目标检测数据集(SSDD+)和高分辨率SAR图像数据集(HRSID)分别进行改进模型的性能测试和迁移测试。实验结果表明:对于SSDD+,当交并比为0.5时平均精度均值mAP_(0.5)达到了0.841;对HRSID进行迁移测试时,mAP_(0.5)能够达到0.530;当网络输入尺寸为416×416时处理一帧图像耗时约为25 ms;采用高分辨率可见光舰船数据集(HRSC2016)进行改进模型的适用性测试,mAP_(0.5)为0.888,超过了部分已知模型的精度;该改进模型适用于纯海洋背景下SAR图像中的舰船目标检测,能够满足舰船目标检测的实时性需求。

大幅宽SAR图像嵌入式舰船实时检测系统设计

针对星载或机载高分辨率合成孔径雷达(synthetic aperture radar,SAR)实时成像后的大幅宽SAR图像舰船实时检测的应用需求,传统的基于FPGA+DSP的嵌入式系统很难同时实现SAR成像处理和基于人工智能技术的大幅宽SAR图像舰船实时检测,为此设计了一种基于3U VPX FPGA+GPU架构的大幅宽SAR图像嵌入式舰船实时检测系统;提出了一种基于YOLOv5s的舰船检测模型,采用基于L2-范数稀疏性惩罚的缩放因子控制法进行轻量化,轻量化舰船检测模型的参数量减小了47.39%,计算量减少了18.67%,平均检测精度为0.968;将轻量化舰船检测模型应用于大幅宽SAR图像嵌入式舰船实时检测系统,并针对典型的10 km×10 km的大幅宽图像应用场景,设计开发基于多线程技术和基于GPU的众核并行计算技术的大幅宽SAR图像嵌入式实时检测系统软件;通过公开的SAR数据集进行功能验证和性能评估,该系统能够满足不同分辨率的大幅宽SAR图像舰船实时检测需求。

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。

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。

一种增强型YOLOv3的合成孔径雷达(SAR)舰船检测方法

近年来,海战场成为现代战争的主要作战区域之一,舰船目标逐渐成为海上重点监测对象,能否快速准确地识别海战场舰船目标的战术意图,给指挥员的决策提供必要的支持,这关系到一场海上战役的成败。随着合成孔径雷达(synthetic aperture radar,SAR)成像技术的不断发展,大量SAR图像可用于舰船目标检测与识别。利用SAR图像进行舰船目标检测与识别,已经成为重要的海洋应用之一。针对传统SAR图像舰船检测方法准确率较低的问题,本文在YOLOv3的基础上,结合感受野(receptive field block,RFB)模块,提出一种增强型的SAR舰船检测方法。该方法在最近公开的SAR图像舰船检测数据集上平均准确率值达到了91.50%,与原YOLOv3相比提高了0.92%。实验结果充分表明本文提出的算法在SAR舰船的检测中具有较好的检测效果。

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。

面向合成孔径雷达图像任意方向舰船检测的YOLOv3模型的改进

为了对舰船图像进行有效检测并及时输出合成孔径雷达(Synthetic Aperture Radar,SAR)图像的目标位置和方位角信息,文章以改进YOLOv3的任意方向为基础,构建舰船目标检测模型。文章主要分析了面向合成孔径雷达图像技术的应用现状,探索了YOLOv3模型算法的损失函数以及数据集构建情况,以掌握YOLOv3模型的改进思路,模拟分析YOLOv3模型的输入范围。经过研究可以确定,改进模型可应用于纯海洋背景下的SAR图像目标检测过程,可以满足监察目标检测的实时性需求。

合成孔径雷达图像的恒虚警率目标检测

目的 对合成孔径雷达 (SAR)图像实施恒虚警率 (CFAR)目标检测 .方法 利用 K-Gamma和Weibull分布的杂波模型分别对海面和陆地的人造目标实施检测 ;同时 ,对不同杂波背景下 CFAR检测方法进行比较 .结果与结论 通过检测结果的比较 ,证实了 K-Gamma分布和 Weibull分布分别适合于海面和陆地杂波背景下的目标检测 ;在非均匀杂波背景中 ,有序统计量 (OS)较单元平均 (CA)

基于改进YOLOv3的合成孔径雷达影像舰船目标检测

为了提高合成孔径雷达(synthetic aperture radar,SAR)影像舰船目标的召回率和准确率,降低漏检率,通过以YOLOv3(you olny look once)为检测框架,对锚点框(anchor boxes)生成机制进行改进,提出了利用K-median++生成anchors的聚类算法。结果表明不当的初始聚类中心会降低anchor boxes的平均交并比(mean intersection over union,meanIOU);同时由于SAR舰船数据集存在少量大尺寸box(离群数据点),因此在实验中使用中位数代替平均值,对簇群计算聚类中心,聚类后anchor boxes的meanIOU高达77.10%,在均值聚类算法(K-means clustering algorithm)基础上提高了3.7个百分点,并且减少了迭代次数,计算量得到大幅度降低。可见相比传统基于K-means的YOLOv3,检测效果有了明显提升,召回率达到92.21%,均值平均精度(mean average precision,mAP)达到93.56%,分别提高了2.55、3.82个百分点。

基于合成孔径雷达的海警舰船检测与监视

我国四面海域资源丰富,周边海上邻国不断挑起争端,激化矛盾,冲突频发,给我国的海洋安全带来了前所未有的严峻威胁和挑战。论文介绍合成孔径雷达(SAR)原理算法、图像理解、目标识别等理论,指出SAR图像是进行海上舰船目标检测、监视和定位的最有效手段之一;进而研究经典的检测算法,并对它们进行比较;最后搭建出一个基于SAR的舰船检测和监视系统的初步框架。论文旨在为维护海洋合法利益提供有效的科技支撑。

星载合成孔径雷达探测水面舰船技术研究

星载合成孔径雷达 (SAR)对水面舰船探测技术作为一种受到普遍关注的获取舰船信息的有效手段 ,较之其他探测方法有着独特的优点 ,根据近年来国内外运用星载SAR所取得的成果 ,对其探测舰船及其尾迹技术进行研究 ,以期获得较好的方法检测船舶及其尾迹。

基于自适应和最优特征的合成孔径雷达舰船检测方法

针对合成孔径雷达(SAR)目标舰船检测中对小目标检测效果不佳的问题,提出一种自适应锚框单阶段舰船检测方法。首先,在单阶段无锚框特征选择(FSAF)算法的基础上利用神经架构搜索(NAS)得到最优特征融合方式,以充分利用图像特征信息;然后提出新的损失函数,在解决正负样本不均衡的同时使网络能够更加精确地对位置进行回归;最后结合更适用于舰船检测的Soft-NMS过滤检测框得到最后的检测结果。在公开的SAR舰船检测数据集上进行了多组对比实验,结果表明,相比基础目标检测算法,所提出的方法对小目标的漏检和误报明显减少,且对靠岸舰船检测性能有一定提升。

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YOLOv5的SAR图像近海岸舰船目标检测算法研究

SAR图像舰船目标检测时,因近海岸港口存在着复杂背景的问题,以至于重叠舰船目标无法被准确提取特征信息,造成近海岸的舰船目标出现漏检、误检的情况.针对以上问题,提出一种复杂场景下的SAR图像舰船检测算法,该算法基于YOLOv5进行改进,采用SPPF结构加强提取特征信息,并融合原YOLOv5的SPP结构提取的特征信息,这种多级金字塔模块并列融合的方式能有效的检测多尺度舰船目标,使特征信息更好的表达;然后将原模型中的GIOU改进为CIOU,使其可以准确的回归出预测框的位置;最终为了更合理的筛选高于阈值的预测框,改进NMS(Non-Maximum-Suppression),采用Soft-NMS方法去惩罚衰减高于阈值的边框得分,合理的去除预测框.试验结果表明,该文改进的模型相比于原模型在SSDD、SAR-Ship-Dataset数据集上的mAP(mean Average Precision)提高了5.15%和5.06%,改进模型能有效检测近海岸中复杂背景下的SAR图像舰船目标.