特征解耦和实例分割的遥感影像近岸舰船检测

针对光学遥感图像中近岸舰船目标检测的难题,提出了一种基于特征解耦和实例分割的深度学习舰船检测方法。通过自适应特征金字塔自动学习融合多尺度上下文,增强网络提取特征能力;采用边界特征解耦网络,引入边界先验知识,减少舰船紧密排布带来的漏检问题和港口与舰船相似带来的虚警问题,提升了网络检测性能;通过中心点预测对网络结果做进一步分割,进一步提高了舰船检测的精确度。在自建遥感近岸舰船检测数据集上的实验表明,论文方法优于传统的锚框方法,具有更好的检测性能。论文算法有效提高了近岸舰船目标检测的精确度,对复杂背景下近岸舰船的检测具有参考价值。

基于D-S证据理论的近岸舰船目标识别

在深入分析和提取近岸舰船目标红外特性和微波特性的基础之上,提出一种基于D-S证据理论的红外图像和微波特性融合方法来实现近岸舰船目标的识别。一方面,对红外图像进行小波去噪、边缘提取、海天线识别与对消等红外预处理和特征提取后,可以得到若干个待选目标;另一方面,对目标回波进行衰减、低噪声放大、滤波和线性放大等处理后,可以得到信号幅度大于一定阈值若干个待选目标。最后,通过对红外和微波得到的待选目标运用D-S证据理论的融合规则进行数据融合,得到最终识别结果。算法易于硬件实现。实验表明,该方法能达到较好的识别效果。

大场景光学遥感图像近岸舰船检测方法

针对传统光学遥感图像近岸舰船检测方法不能处理大场景图像问题,提出了一种新的大场景近岸舰船检测方法。该方法采取分块处理策略,利用粗海陆分割方法筛选有效检测区域块,以缩小目标检测范围和提高检测效率。在检测结果合并阶段,采用0-1整数规划方法进行融合建模,并根据约束集对模型进行拆分,从而提高了结果融合效率。试验结果表明该方法具有较高的近岸舰船检测效率。

深度学习遥感影像近岸舰船识别方法

针对复杂背景近岸舰船检测与细粒度识别难题,提出了一种基于深度学习的新型端到端目标识别框架,可有效检测与识别任意方向的舰船目标。针对舰船目标短边尺度较小问题,提出了角度致密化的预设框设置方法,提高了候选区域生成时的召回率;采用改进方位敏感型区域插值池化,减少了坐标量化误差,实现了舰船局部区域特征的精确建模;利用注意力机制下的全局与局部特征区域级融合方法,提升了区域特征的类别判别能力,解决了细粒度舰船识别难题;针对舰船样本稀缺性问题,使用迁移学习提升了模型性能。构建了一个含有25类近岸舰船目标的细粒度数据集,与传统学习模型相比召回率提高2%,平均识别精度提高3%,对复杂背景下目标识别具有重要实用价值。

一种基于形状的近岸舰船检测

高分辨率光学遥感图像上近岸舰船的灰度、纹理特征往往和码头比较接近,其自动检测比较困难,但是舰船独特的形状特征却能将其很好地区分开;不变性广义霍夫变换是一种可以在未知位置、大小和朝向的条件下定位形状的非常有效的方法,但是它对局部形状变形的适应性比较差。改进了不变性广义霍夫变换,提出了一种基于鲁棒不变性广义霍夫变换的近岸舰船检测方法。实验结果表明该方法能有效地进行高分辨光学遥感图像中各类近岸舰船的自动检测。

复杂背景下SAR图像近岸舰船目标检测

针对合成孔径雷达(synthetic aperture radar,SAR)图像近岸舰船目标易受背景杂波的影响,造成SAR图像近岸舰船目标检测检测率低、虚警率和漏检率高的问题,提出一种适用于复杂背景下SAR图像近岸舰船目标检测的DFF-Yolov5(deformable feature fusion you only look once 5)算法。构建了一个专门用于SAR图像复杂背景近岸舰船目标检测的数据集,基于Yolov5目标检测算法,在特征提取网络中进行特征细化和多特征融合两个方面的改进。在特征提取网络中利用可变形卷积神经网络改变卷积对目标采样点的位置,增强目标的特征提取能力,提高复杂背景下SAR图像舰船目标的检测率。在多特征融合网络结构中采用级联和并列金字塔,进行不同层级的特征融合。同时,使用空洞卷积扩大特征提取的视觉感受野,增强网络对复杂背景近岸多尺度舰船目标的适应性,降低复杂背景下SAR图像舰船目标检测的虚警率。通过在构建的复杂背景近岸舰船检测数据集上的测试实验,结果表明:DFF-Yolov5的平均准确率为85.99%,相比于原始的Yolov5,所提方法平均准确率提高了5.09%,精度提高了1.4%。

复杂背景下SAR近岸舰船检测

目的船舶在合成孔径雷达(synthetic aperture radar,SAR)图像中的检测是研究热点,但目前适合近岸舰船检测的方法并不多。在SAR图像中,近岸舰船受到岸上建筑物的干扰严重,尤其是对于排列紧密的近岸船舶来说,其对比度相似,很难区分船舶与背景。为解决近岸舰船检测困难问题,提出了一种基于加权双向注意金字塔网络的近岸舰船检测方法。方法本文在FCOS(fully convolutional one-stage)网络的基础上提出了一种新的双向特征金字塔网络。将卷积注意力机制模块(convolutional block attention module,CBAM)与金字塔网络的每个特征图进行连接,提取丰富的语义信息特征;借鉴PANet(path aggregation network)的思想,添加自下而上的金字塔模块,突出不同尺度船舶的显著特征。最后提出了一种加权特征融合方式,使特征图提取的特征信息的着重点不同,提高舰船检测精度。结果本文在公开的SAR图像舰船数据集SSDD(SAR ship detection dataset)上进行实验。实验结果表明,相比原FCOS方法,本文方法的检测精度提高了9.5%;与对比方法相比,本文方法在同等条件下的检测精度达到90.2%。在速度方面,本文方法比SSD提高0.6 s,比Faster R-CNN(region convolutional neural network)提高1.67 s,明显优于对比方法。结论本文通过改进特征网络和特征融合方式,提高了算法对SAR图像舰船目标检测中背景复杂、排列紧密的近岸舰船目标的定位效果,有效增强了对舰船目标定位的准确性。

生成对抗网络辅助学习的舰船目标精细识别

针对近岸舰船目标细粒度识别的难题,提出了一种利用生成对抗网络辅助学习的任意方向细粒度舰船目标识别框架。通过训练能模仿舰船目标区域的抽象深度特征的生成网络引入生成样本,来辅助分类子网络学习样本空间的流形分布,从而增强细粒度的类别间判别能力。在细粒度类别的近岸舰船数据集上,引入生成对抗网络后的算法识别准确率得到较大提升,平均识别精度提升了2%。消融实验结果表明,利用生成样本辅助训练分类子网络可以有效地提升舰船目标的细粒度识别精度。