利用改进特征金字塔模型的SAR图像多目标船舶检测

深度学习模型中的特征金字塔网络(Feature Pyramid Network,FPN)常被用作合成孔径雷达(Synthetic Aperture Radar,SAR)图像中多目标船舶的检测。针对复杂场景下多目标船舶检测问题,提出了一种基于改进锚点框的FPN模型。首先将特征金字塔模型嵌入传统的RPN(Region Proposal Network)并映射成新的特征空间用于目标检测,然后利用基于形状相似度距离(Shape Similar Distance,SSD)度量的Kmeans聚类算法优化FPN的初始锚点框,并使用SAR船舶数据集测试。实验结果表明,所提算法目标检测精确率达到98.62%,在复杂场景下与YOLO、Faster RCNN、FPN based on VGG/ResNet等模型进行对比,模型准确率提高,整体性能更好。

复杂场景下的SAR图像船舶目标检测

针对SAR图像中复杂场景下的船舶目标检测问题,提出一种将定位、分类和分割多任务结合一起的Mask-FPN模型,在金字塔特征映射图的基础上,同时引入图像分割分支,并通过多任务损失函数保证定位分类和分割三个过程同时进行.实验结果表明,本文提出的Mask-FNP模型在近海、港口、岛屿等存在干扰背景的复杂场景下,船舶识别准确率达98.81%.与Faster R-CNN、Yolo3、SSD、FPN等模型对比,本文模型检测准确率提高,虚警率和漏检率明显下降.