基于多层显著性模型的SAR图像舰船目标检测

针对合成孔径雷达图像舰船目标检测问题,提出了一种结合选择机制与轮廓信息的多层显著性目标检测方法。首先,利用非下采样剪切波和频谱残差法进行全局显著性区域提取。其次,提出了一种基于动态恒虚警率的活动轮廓显著性模型,逐步滤除候选区域的虚警,提取目标轮廓,从而实现目标的精确检测。所提方法能够由粗到细地快速捕获目标区域,从而实现高效、高分辨率合成孔径雷达图像舰船检测。最后,在真实SAR数据集进行了测试,与其他经典的舰船检测方法相比,所提算法不仅有效地抑制了海杂波的影响,而且在检测精度上有较大提高。

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。

基于改进的YOLOv5小目标检测SAR船只方法

为了有效管理海上交通、实施海上救援和保护海洋环境,需要精确地掌握海上船只目标的位置和分布情况,但传统的检测方法(如CFAR)往往会出现船只细节丢失和小目标漏检的情况。为了解决以上问题,将YOLOv5模型进行改进。首先通过数据增强,提升数据的多样性,进而提高模型的泛化能力;之后加入SE注意力机制和小目标检测层来增强模型对船只的特征提取能力。实验结果表明,加入SE注意力机制和小目标检测层后,平均准确度mAP分别提高了2%和3.1%,可以有效改善船只密集分布、沿岸分布等不同场景下的检测准确率,实现整体准确率的提高。

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%。

基于差异图构造与融合的SAR图像变化检测方法

针对合成孔径雷达(SAR)图像固有的相干斑点噪声而影响变化检测精度和准确性等问题,提出了一种基于差异图构造与融合的SAR图像变化检测方法。该方法通过L-SRAD混合滤波对SAR图像进行预处理,使用基于边缘预检测的小波融合算法实现对数双曲余弦比值差异图DCLR和邻域比值差异图DNR的融合,结合FCM算法和CWNN卷积神经网络对所得融合差异图进行变化检测。其中FCM算法将融合差异图预分类为三个聚类,选择合适的预分类结果作为训练样本训练CWNN模型,最后使用CWNN模型对预分类结果进行二次分类,得到最终的变化检测图。在Bern数据集上进行了对比实验,实验结果证明该方法具有较强的变化检测能力,变化检测准确率达到99.67%。

基于二分匹配Transformer的SAR图像检测

合成孔径雷达(Synthetic Aperture Radar,SAR)拥有全天候、全天时的成像能力,对SAR图像的目标检测具有重大军事和民用意义。在SAR图像目标检测中,由于成像时的复杂背景和非检测目标的干扰,存在重复检测的问题。传统的用于SAR图像检测的深度学习网络通过增加特征提取网络、非极大值抑制等处理降低重复检测的概率,当阈值设置不当和待检测目标存在重叠时仍会导致虚警和漏检的发生。为此,本文引入一种基于二分匹配损失的Transformer目标检测模型,与传统的SAR图像检测网络相比,二分匹配通过匈牙利算法将预测框与候选框进行一对一的匹配,从而找出最佳的匹配对,避免同一目标的重复检测。匹配时会自动忽略多余候选框,自动将其归类为背景,该方法不仅消除了重复检测导致的虚警问题,还省略了非极大值抑制的操作。同时,匹配结果可以直接作用于模型的输出,实现端到端的检测优化,将目标检测任务转化为集合预测问题,通过一组固定的可学习位置编码,有效地建立目标与图像特征之间的关联,无需依赖先验知识或预处理步骤,相较传统方法极大的简化了训练和部署流程。为了评估模型的有效性和可靠性,本文与当前热门目标检测模型在SAR-AIRcraft-1.0数据集上进行了对比,在保证较高召回率的情况下实现了不错的检测准确性,展示了模型的优越性能。

SAR-AIRcraft-1.0:高分辨率SAR飞机检测识别数据集

针对合成孔径雷达(SAR)图像中飞机散射点离散以及背景强干扰造成虚警的问题,该文提出了一种结合散射感知的SAR飞机检测识别方法。一方面,通过上下文引导的特征金字塔模块来增强全局信息,减弱复杂场景中强干扰的影响,提高检测识别的准确率。另一方面,利用散射关键点对目标进行定位,设计散射感知检测模块实现对回归框的细化校正,增强目标的定位精度。为了验证方法有效性、同时促进SAR飞机检测识别领域的研究发展,该文制作并公开了一个高分辨率SAR-AIRcraft-1.0数据集。该数据集图像来自高分三号卫星,包含4,368张图片和16,463个飞机目标实例,涵盖A220,A320/321,A330,ARJ21,Boeing737,Boeing787和other共7个类别。该文将提出的方法和常见深度学习算法在构建的数据集上进行实验,实验结果证明了散射感知方法的优异性能,并且形成了该数据集在SAR飞机检测、细粒度识别、检测识别一体化等不同任务中性能指标的基准。

基于感兴趣区域池化的SAR图像目标检测算法

针对复杂场景下合成孔径雷达(synthetic aperture radar,SAR)图像目标检测的鲁棒性差和准确性低等问题,提出一种基于感兴趣区域池化的方法进行SAR图像目标检测。在YOLOv3模型中,引入可变形卷积,加入池化层,通过图像增强的方式对感兴趣区域的目标进行特征选择;通过增加全连接层,生成每个位置的偏移量进行扩张,在偏移量中增加权值;在FPN部分增加DropBlock模块;改进YOLOV3的训练策略方法,采用平滑地调整学习率和增量的方式进行训练,提升模型对SAR图像感兴趣目标的检测准确率。在SAR图像上进行验证,精度可以达到98.2%,验证了模型的有效性。

基于阴影的视频SAR动目标检测

视频合成孔径雷达(SAR)是雷达成像邻域的研究重点之一,其具有高帧率连续成像特性,有利于对地面运动目标进行实时监测。虽然动目标自身图像难以聚焦,但由于雷达工作频率高,合成孔径时间较短,其真实位置会存在阴影,利用此特征可进行动目标检测。本文对基于阴影的动目标检测流程进行了探讨,并提出了一种新的背景建模方法用于对消待检测图像的背景目标。通过实验验证,该方法能更好地剔除目标阴影对背景的影响,使对消后目标阴影完整保留,从而改善漏警率。

基于分层模糊聚类和小波卷积神经网络的SAR图像变化检测算法

传统的合成孔径雷达(SAR)图像变化检测方法存在受散斑噪声影响大、图像深层信息难以利用、检测精度低等问题。针对以上问题,提出一种基于卷积神经网络和模糊聚类的SAR幅度图像变化检测算法。首先通过基于Gabor纹理的FLICM算法对差异图进行预分类,基于预分类结果自动选取可靠的训练样本,无需人工进行样本标注;引入多尺度通道注意力机制,并采用MSCA_WCNN完成二次分类,最终得到变化检测结果。本文算法在提取SAR图像不同尺度特征的同时能够对无关特征通道进行抑制,从而有效利用图像特征;小波卷积神经网络在保留图像有用信息的同时实现了去噪功能,增强了算法的鲁棒性。采用真实的星载SAR图像数据进行对比实验,实验结果表明,本文算法具有较高的检测精度,验证了算法的有效性。

基于局部混合滤波的SAR图像边缘检测

该文结合基于非下采样方向滤波-双树复小波变换(NonSubsampled Direction Filter Bank-Dual-TreeComplex Wavelet Transform,NSDFB-DTCWT)的局部混合滤波算法和Dempster-Shafet(DS)证据理论提出一种基于局部混合滤波的SAR图像边缘检测算法。该算法首先对SAR图像进行局部混合滤波,然后对不同尺度滤波图像使用指数加权均值比(Ratio Of Exponentially Weighted Averages,ROEWA)算子检测边缘的强度,再使用Canny算子检测边缘的方向,从而得到SAR图像各尺度上的边缘,最后使用DS证据理论融合各尺度的边缘形成原始SAR图像的边缘。实验结果表明:该文所提出的算法具有很好的边缘检测效果,检测到的SAR图像的边缘定位准确和完整,且伪边缘较少。

SAR变化检测技术发展综述

合成孔径雷达(SAR)具有全天候、全天时的特点,是很好的变化检测信息源,研究SAR图像变化检测技术有着非常广阔的应用前景。系统介绍了SAR变化检测的整个流程——数据预处理、变化检测算法、检测后处理及变化检测算法评价。为了方便算法设计者,分门别类地阐述了变化检测算法的主要方法及核心决策规则,包括差值法、统计假设检验法、预测模型、相干模型;并对每种方法的特征进行了分析和比较。针对SAR技术的迅猛发展,我们对将来SAR变化检测技术的发展方向给予了预测。

SAR目标检测中的一种稳健变化检测算法

在合成孔径雷达(SAR)目标检测中,目前采用的变化检测算法主要包括构造似然比法和最小二乘图像相减法,这两种算法在实际变化检测中分别存在如下问题:构造似然比法需要目标、杂波及噪声充分的先验知识,而最小二乘图像相减法则存在稳健性差的问题,鉴于上述问题,该文提出一种稳健可行的变化检测算法,该算法在最小二乘图像相减法的基础上引入了误差影响因子,通过迭代的方法求取待定参数,大大提高了变化检测的稳健性,文章最后基于不同算法进行了变化检测试验,试验结果进一步证明了该文提出算法的稳健性。

基于STAP-FrFT-DPCA的SAR运动目标检测与参数估计算法研究

在深入分析STAP技术和FrFT的基础上,提出了一种对SAR动目标检测的新方法。新算法将STAP技术、FrFT和DPCA技术有机地结合起来,在三通道的工作情况下,能够实现对运动目标的定位和两个方向(方位向和地面距离向)上速度的估计。由于STAP技术良好的杂波对消功能和FrFT对chirp信号的良好检测效果,因此在不同信噪比情况下,本算法都能有效地抑制静止背景、获得良好的测速和定位效果。仿真结果证明了该算法的正确性和有效性。

AIR-SARShip-1.0：高分辨率SAR舰船检测数据集

近年来,深度学习技术得到广泛应用,然而在合成孔径雷达(SAR)舰船目标检测研究中,由于数据获取难、样本规模小,尚难以支撑深度网络模型的训练。该文公开了一个面向高分辨率、大尺寸场景的SAR舰船检测数据集,该数据集包含31景高分三号SAR图像,场景类型包含港口、岛礁、不同级别海况的海面等,背景涵盖近岸和远海等多样场景。同时,该文使用经典舰船检测算法和深度学习算法进行了实验,其中基于密集连接端到端网络方法效果最佳,平均精度达到88.1%。通过实验对比分析形成指标基准,方便其他学者在此数据集基础上进一步展开SAR舰船检测相关研究。

基于累积量随机学习算法的高分辨率SAR图像舰船检测方法研究

基于SAR图像的舰船目标检测是海洋遥感应用的重要内容,恒虚警率(CFAR)是应用最为广泛的SAR图像舰船检测算法之一。由于CFAR算法的性能主要依赖于对海杂波概率密度的准确估计,本文提出一种基于累积量随机学习的海杂波概率密度估计方法,并采用两级CFAR级联的方法提高检测效率,通过对像素点聚类解决了高分辨率SAR图像舰船区域不连通的问题。实验结果表明,累积量随机学习算法能够更精确地估计海杂波概率密度,相比经典方法,本文提出的检测方法性能较好且检测效率较高。

自适应距离和模糊拓扑优化的模糊聚类SAR影像变化检测

针对模糊聚类算法的不足,结合差分影像的特点,提出一种基于自适应距离(adaptive distance)和模糊拓扑(fuzzy topology)理论的SAR影像变化检测技术框架(FATCD)。FATCD首先基于自适应距离公式提出一种自适应的样本到聚类中心的距离计算方法,优化了聚类过程中像元隶属度的计算公式,提高了模糊隶属度函数的准确程度;而后利用模糊拓扑理论改进传统去模糊化方式最大隶属度原则,从而增强了去模糊化过程。借助这两点,FATCD提高了模糊聚类变化检测的性能。两组真实SAR影像数据的试验结果表明本文方法可行、有效。

结合贝叶斯分类器与伪孪生网络的SAR舰船目标检测

为了发挥合成孔径雷达(synthetic aperture radar,SAR)检测系统在军事和航海领域的重要作用,提升高分辨率SAR图像目标检测的精度,提出了基于贝叶斯分类器与轻量伪孪生网络(pseudo-siamese network,PSN)的SAR舰船目标检测算法。针对大部分卷积神经网络(convolutional neural networks,CNN)目标检测模型因参数多、模型大而不利于移动端嵌入式使用的特点,利用视觉显著结合贝叶斯分类,获得舰船疑似切片,降低数据量。引入一维直方图信息,在PSN的基础上自主设计了SAR舰船目标检测框架。基于HRSID数据集进行检测实验,并与各种基于深度学习的目标检测算法进行比较,检测结果表明了所构建模型的有效性。

RSDD-SAR:SAR舰船斜框检测数据集

针对合成孔径雷达(SAR)舰船斜框检测数据集较少,难以满足算法发展和实际应用需求的问题,该文公开了SAR舰船斜框检测数据集(RSDD-SAR),该数据集由84景高分3号数据和41景TerraSAR-X数据切片及2景未剪裁大图,共127景数据构成,包含多种成像模式、多种极化方式、多种分辨率切片7000张,舰船实例10263个,通过自动标注和人工修正相结合的方式高效标注。同时,该文对几种常用的光学遥感图像斜框检测算法和SAR舰船斜框检测算法进行了实验,其中单阶段算法S2ANet检测效果最佳,平均精度达到90.06%。通过实验对比分析形成基准指标,可供相关学者参考。最后,该文通过泛化能力测试,分析讨论了RSDD-SAR数据集训练模型在其他数据集和未剪裁大图上的性能,结果表明:该数据集训练模型具有较好的泛化能力,说明该数据集具有较强的应用价值。RSDD-SAR数据集可在以下网址下载:https://radars.ac.cn/web/data/getData?dataType=SDD-SAR。

基于邻域信息的SAR图像变化检测

为了减少合成孔径雷达(SAR)图像中乘性斑点噪声对变化检测结果的影响,充分地利用了像素的邻域信息。首先使用邻域比值(NR)方法构造差异图像,然后提出基于邻域信息的模糊C均值聚类(FCM)算法。NR算子在构造差异图像时能够较好地保留图像信息并抑制噪声的干扰。同时将邻域信息引入到FCM算法的目标函数,以邻域加权距离改进了FCM算法在欧式距离计算中的不足,并约束了隶属度函数,减少了噪声对邻域中心像素的干扰。通过以上考虑像素邻域信息的算法,得到了差异图像的聚类结果,从而实现了SAR图像的变化检测。实验结果表明,所提算法较传统的FCM和K-means聚类算法,可以较好地保留图像变化区域的信息,同时提高了SAR图像变化检测的准确度。