基于模糊神经网络的舰船雷达图像弱小目标检测

舰船雷达图像信息的维度较高,导致弱小目标的关键特征难以被精准提取,降低了弱小目标检测的可靠性,因此提出一种基于模糊神经网络的舰船雷达图像弱小目标检测方法。该方法对舰船雷达图像进行背景校正,利用图像灰度值加性模型从图像中提取弱小目标。最后将提取的弱小目标输入到模糊神经网络中,输出的结果即为舰船雷达图像弱小目标检测结果。通过实验证明,在不同高斯噪声环境中,该方法能够准确地检测出雷达图像中的弱小目标,并具有较快的检测速度。

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YOLOv3的SAR舰船图像目标识别技术

合成孔径雷达(SAR)图像自动目标识别(ATR)技术是人工图像解译的关键技术之一。针对传统的SAR舰船目标检测算法大多受限于场景且泛化能力较差的问题,设计了一种基于改进YOLOv3网络的检测模型。将YOLOv3与DenseNet网络融合,使用稠密网络模块代替用于提取中小尺度特征的残差网络模块,通过训练得到模型的最优权重,实现端到端的目标检测。使用综合交并比(GIoU)损失代替交并比(IoU)边界框回归损失,提供更加准确的边界框位置信息,提高检测精度,采用中国科学院空天信息研究院制作的SAR图像船舶检测数据集进行测试。测试结果表明:与原YOLOv3算法相比,改进后的YOLOv3检测准确率提高了1.4%。