海面小目标检测的AR双极点分析

针对舰载(或岸基)雷达对海面小目标检测问题,尤其对较短时间内完成检测的应用场合,基于自回归(AR)模型的解决方案,对其中具有代表性的算法———最大幅度极点法(ARLPM)的不足进行了详细分析,提出同时利用次大幅度极点信息的AR双极点分析法。给出了应用该方法的具体步骤,雷达数据检测结果证明该方法优于ARLPM法。

注意力机制改进轻量SSD模型的海面小目标检测

目的海面目标检测图像中的小目标数量居多,而基于深度学习的目标检测方法通常针对通用目标数据集设计检测模型,对图像中的小目标检测效果并不理想。使用一般目标检测模型检测海面目标图像的特征时,通常会出现小目标漏检情况,而一些特定的小目标检测模型对海面目标的检测效果还有待验证。为此,在标准的SSD(single shot multi Box detector)目标检测模型基础上,结合Xception深度可分卷积,提出一种轻量SSD模型用于海面目标检测。方法在标准的SSD目标检测模型基础上,使用基于Xception网络的深度可分卷积特征提取网络替换VGG-16(Visual Geometry Group network-16)骨干网络,通过控制变量来对比不同网络的检测效果;在特征提取网络中的exit flow层和Conv1层引入轻量级注意力机制模块来提高检测精度,并与在其他层引入轻量级注意力机制模块的模型进行检测效果对比;使用注意力机制改进的轻量SSD目标检测模型和其他几种模型分别对海面目标检测数据集中的小目标和正常目标进行测试。结果为证明本文模型的有效性,进行了多组对比实验。实验结果表明,模型轻量化导致特征表达能力降低,从而影响检测精度。相对于标准的SSD目标检测模型,本文模型在参数量降低16.26%、浮点运算量降低15.65%的情况下,浮标的平均检测精度提高了1.1%,漏检率减小了3%,平均精度均值(mean average precision,mAP)提高了0.51%,同时,保证了船的平均检测精度,并保证其漏检率不升高,在对数据集中的小目标进行测试时,本文模型也表现出较好的检测效果。结论本文提出的海面小目标检测模型,能够在压缩模型的同时,保证模型的检测速度和检测精度,达到网络轻量化的效果,并且降低了小目标的漏检率,可以有效实现对海面小目标的检测。

基于SSD的海面小目标检测综述

针对提高小目标信息提取能力、解决目标遮挡问题,对基于单次多核探测器(SSD)的小目标检测方法进行总结,归纳出三种改进途径:一是通过更改骨干网络加强浅层特征图对细节的提取能力;二是通过引入视觉注意力机制获得更有效的特征信息表达;三是将浅层、深层特征信息进行充分融合,提高特征信息利用率及强化各特征层之间的信息交流。最后,对SSD网络结构的改进和多元特征的利用进行展望,旨在为该领域的研究提供参考。