基于YOLOv3的SAR舰船图像目标识别技术

合成孔径雷达(SAR)是一种高分辨率星载(或机载)雷达系统,SAR图像自动目标识别(ATR)技术是智能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YOLOv3网络的检测模型,使用多尺度先验框对目标物体进行检测,通过训练得到模型的最优权重,实现端到端的目标检测。测试结果表明,与Faster R-CNN算法相比,YOLOv3在准确率与运行速度上均有更优秀的性能表现。

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%。

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YOLO模型的SAR舰船目标检测方法研究

随着海上交通运输业业务需求的不断增加,传统的目标检测方法已无法满足实际需求。由于卫星遥感技术的快速发展,基于合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标自动识别具有显著的应用潜力。近年来,深度学习技术在目标检测领域逐渐显现出优势,特别是YOLO (You Only Look Once)模型以其较高的精度和计算效率,为SAR舰船目标的识别提供了一种新的方法。为对比不同的YOLO模型在舰船目标识别领域的性能及其相比于两阶段深度学习算法的优势,本文首先对YOLO系列的结构进行了归纳总结;其次对当前广泛使用的数据集进行了对比分析,并基于SAR图像数据集(SAR Ship Detection Dataset,SSDD)的样本进行重新标注构建出本文的数据集;然后将YOLO系列模型与两阶段目标检测方法——更快速的区域卷积神经网络(Faster Region-based Convolutional Neural Network,Faster R-CNN)在SAR舰船目标检测的精度和速度两方面进行对比实验;最后在YOLOv5模型的基础上对主干网络(Backbone)进行优化,建立了一种基于注意力机制的舰船目标识别深度学习网络——YOLOv5.SAM。基于本文所建立的SAR舰船图像数据集的实验结果表明,YOLOv5在计算精度和计算效率方面相较于其他YOLO系列模型展现出更加显著的综合优势,其m AP值为0.73,但对密集目标的识别精度有待提升。在此基础上,本文提出的YOLOv5.SAM模型在识别精度和对密集目标的检测性能方面均实现了提升,其m AP值达到0.79,从而证明该方法在SAR舰船目标识别方面的有效性。

一种改进的舰船合成孔径雷达图像分割方法

针对舰船合成孔径雷达(SAR)图像识别中的图像分割问题,运用数理统计领域的方法,以舰船合成孔径雷达图像为研究对象,在深入分析经典K–Means聚类算法以及高斯混合模型之后,提出一个改进的高斯混合模型,用来对舰船合成孔径雷达图像进行分割。该方法采用马氏距离对经典K–Means方法进行改进,同时,将传统高斯混合模型的每一个概率分布,进一步再细分成单个的概率成分,在辅助变量计算过程中,采用梯度上升算法。仿真实验结果显示,研究得到了比使用经典K–Means算法和普通高斯混合模型的分割方法精确度更高、稳定性更好的分割结果。