CN112329542A - 基于特征细化网络模型的sar图像舰船目标检测方法 - Google Patents

基于特征细化网络模型的sar图像舰船目标检测方法 Download PDF

Info

Publication number
CN112329542A
CN112329542A CN202011081361.5A CN202011081361A CN112329542A CN 112329542 A CN112329542 A CN 112329542A CN 202011081361 A CN202011081361 A CN 202011081361A CN 112329542 A CN112329542 A CN 112329542A
Authority
CN
China
Prior art keywords
module
cross
sar image
convolution
phase
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011081361.5A
Other languages
English (en)
Other versions
CN112329542B (zh
Inventor
朱卫纲
李永刚
刘畅
曲卫
李彩萍
杨君
何永华
邱磊
黄琼男
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Original Assignee
Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Peoples Liberation Army Strategic Support Force Aerospace Engineering University filed Critical Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Priority to CN202011081361.5A priority Critical patent/CN112329542B/zh
Publication of CN112329542A publication Critical patent/CN112329542A/zh
Application granted granted Critical
Publication of CN112329542B publication Critical patent/CN112329542B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于特征细化网络模型的SAR图像舰船目标检测方法，通过在原始YOLOv5特征提取网络中增加注意力机制，实现了对各层特征的自适应融合；通过增加可变性卷积神经网络，对特征图学习偏移量改变采样点位置，通过改变采样点位置使得卷积神经网络的特征提取更加集中于目标本身特征，由此对目标特征进一步地细化，从而使得复杂背景下近岸目标的特征提取降低了海岸背景杂波的影响。

Description

基于特征细化网络模型的SAR图像舰船目标检测方法
技术领域
本发明属于SAR图像解译技术领域，具体涉及基于特征细化网络模型的SAR图像舰船目标检测方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)作为一种主动式微波成像传感器，相比于光学遥感手段不受气候、天气、光照等因素的制约，可以实现全天候、全天时的对地观测。
SAR图像目标检测旨在从复杂的场景中快速有效地提取感兴趣的目标位置，是SAR自动目标识别(SAR-Automatic Target Recognition,SAR-ATR)的重要组成部分。
随着SAR的迅速发展，现有的SAR图像检测技术还难以满足实际数据处理的需求。一方面，SAR系统的广泛应用以及成像分辨率的提高，对SAR图像目标的检测效率提出了更高的要求；另一方面，SAR在不同工作模式下具有不同的极化方式、分辨率以及照射角度，导致目标图像特征变化较大，这也给SAR图像目标的检测带来了更大的挑战。同时传统SAR图像目标检测方法在检测速度上相对较低，无法实现自动端到端的目标检测过程，因此为了提高检测速度和检测率，针对SAR图像端到端的高效自动目标检测是当前亟待解决的问题。
近年来，随着人工智能技术的迅速发展，深度学习的方法开始应用于SAR图像检测任务。卷积神经网络(Convolutional Neural Network,CNN)可以实现对图像高层特征的主动提取，避免了人工选取特征的复杂工作，具有良好的分类准确度和鲁棒性，为SAR图像目标的检测提供了新的途径。
综上所述，现有的基于深度学习的SAR图像目标解译方法大多针对远海舰船目标，通过对深度学习特征提取网络进行训练以及改进，取得了不错的识别效果。然而，在实际的工作环境下，不仅存在远海舰船目标，同时存在近岸舰船目标，远海舰船中背景相对单一，舰船目标提取任务难度略低；而近岸区域舰船目标数量较多，同时存在不同类型舰船目标，但是依据SAR图像成像机制，近岸，岛屿及港口等可能会与舰船形成相似的散射特征，正是由于近岸目标受到背景杂波干扰，地物类型干扰等，对目标特征提取难度和识别的难度相对较大。在这种背景复杂的近岸情况下，现有的深度学习模型检测率相对较低，出现大量的漏检情况。
发明内容
有鉴于此，本发明提供了基于特征细化网络模型的SAR图像舰船目标检测方法，能够实现复杂背景下的近岸目标和小目标的精准检测和定位。
本发明提供的基于特征细化网络模型的SAR图像舰船目标检测方法，包括以下步骤：
步骤1、构建SAR图像舰船检测的训练样本数据集；SAR图像作为样本的输入，SAR图像中的舰船目标作为标签；
步骤2、采用注意力机制和可变性卷积神经网络，建立基于特征细化网络的舰船目标检测模型；所述基于特征细化网络的舰船目标检测模型包括相互串联的跨阶段模块1、注意力跨阶段模块1、注意力跨阶段模块2、SPP空间金字塔模块、可变形跨阶段模块、跨阶段模块2和跨阶段模块3，以及跨阶段模块4和跨阶段模块5，其中，所述跨阶段模块2提取的特征作为跨阶段模块4的输入，所述可变形跨阶段模块提取的特征作为所述跨阶段模块5的输入，所述注意力跨阶段模块1提取的特征作为所述跨阶段模块3的输入，所述注意力跨阶段模块2提取的特征作为所述跨阶段模块2的输入；将待检测的SAR图像输入所述跨阶段模块1中；所述跨阶段模块3、跨阶段模块4及跨阶段模块5的输出作为基于特征细化网络的舰船目标检测模型的输出特征；
步骤3、采用步骤1中所述的训练样本，完成所述基于特征细化网络的舰船目标检测模型的训练；
步骤4、将待检测的SAR图像输入到训练得到的建立基于特征细化网络的舰船目标检测模型中，得到所述待检测的SAR图像中的舰船目标。
进一步地，所述步骤2中的所述注意力跨阶段模块的结构为：依次串联的卷积模块A1、残差卷积模块及卷积模块A3，与卷积模块A4并联后，再依次与合并模块及卷积模块A5串联，其中，所述注意力跨阶段模块的输入分别输入到所述卷积模块A1与卷积模块A4中，所述卷积模块A5的输出作为所述注意力跨阶段模块的输出。
进一步地，所述步骤2中的所述可变性跨阶段模块的结构为：依次串联的卷积模块A1、可变形卷积模块1及卷积模块A3，与串联的可变形卷积模块2及卷积模块A4并联后，再依次与合并模块及卷积模块A5串联，其中，所述可变性跨阶段模块的输入分别输入到所述卷积模块A1与可变形卷积模块2中，所述卷积模块A5的输出作为所述注意力跨阶段模块的输出。
有益效果：
本发明通过在原始YOLOv5特征提取网络中增加注意力机制，实现了对各层特征的自适应融合；通过在原始YOLOv5特征提取网络中增加可变性卷积神经网络，对特征图学习偏移量改变采样点位置，通过改变采样点位置使得卷积神经网络的特征提取更加集中于目标本身特征，由此对目标特征进一步地细化，从而使得复杂背景下近岸目标的特征提取降低了海岸背景杂波的影响。实验表明，本发明提出的SAR图像舰船目标检测方法能提取较深层次的SAR图像特征，从而有效的提高了复杂背景下的小目标和近岸目标的检测率。
附图说明
图1为本发明提供的基于特征细化网络模型的SAR图像舰船目标检测方法构建的基于特征细化网络的舰船目标检测模型结构图。
图2为本发明提供的基于特征细化网络模型的SAR图像舰船目标检测方法构建的注意力跨阶段模块结构示意图。
图3为本发明提供的基于特征细化网络模型的SAR图像舰船目标检测方法构建的可变性跨阶段模块结构示意图。
图4为本发明提供的基于特征细化网络模型的SAR图像舰船目标检测方法对远海舰船小目标检测结果示意图。
图5为本发明提供的基于特征细化网络模型的SAR图像舰船目标检测方法对远海舰船大小混合目标检测结果示意图。
图6为本发明提供的基于特征细化网络模型的SAR图像舰船目标检测方法对复杂环境近岸舰船大小混合目标检测结果示意图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明提供的基于特征细化网络模型的SAR图像舰船目标检测方法(Ship TargetDetection in SAR Image Based On Feature Thinning Network Model)，其核心思想是：在YOLOv5特征提取网络的基础上，引入注意力机制和可变性卷积神经网络建立基于特征细化网络的舰船目标检测模型，采用基于特征细化网络的舰船目标检测模型实现SAR图像舰船目标检测，能够有效提高小目标和近岸目标检测率。
本发明提供的基于特征细化网络模型的SAR图像舰船目标检测方法，具体包括以下步骤：
步骤1、构建SAR图像舰船检测的数据样本。
具体来说，本发明采用开源的GaoFen-3卫星对海面实测图像数据集、SSDD舰船检测公开数据集，以及网络搜集的TerraSAR-X实测SAR图像数据集构建样本数据集。采用TerraSAR-X实测SAR图像数据集和SSDD数据集作为训练样本数据集输入网络进行训练，采用GaoFen-3实测SAR图像数据集作为测试样本数据集。
例如采用如下三个数据集，具体内容如下：
数据集一：使用TenrraSAR-X对海面观测图像制作目标切片，如图4所示。数据集包含218张604×604像素的目标切片图像，共427个舰船目标，其中183张工作于超精细条带模式，分辨率为3m，极化方式为DH极化，剩余35张工作于聚束模式，分辨率为1m，极化方式为HH极化与VV极化。
数据集二：采用公开的SSDD数据集，目前国内针对SAR图像舰船目标的研究大多以该数据集作为实验数据，SSDD数据集主要有RadarSat-2，TenrraSAR-X和Sentinel-1传感器，HH，HV，VV和VH四种极化方式，分辨率为1m-15m，在大片海域和近岸地区都有舰船目标。在数据集SSDD中，一共有1160个图像和2456个舰船，平均每个图像有2.12个舰船。
数据集三：选用网络搜集的GaoFen-3实测7幅图像作为测试集，用于评估最终模型的泛化能力。此数据集由不同照射角度，不同成像模式，不同极化方式和不同分辨率的图像组成。
步骤2、采用注意力机制和可变性卷积神经网络，建立基于特征细化网络的舰船目标检测模型，模型结构如图1所示，包括相互串联的跨阶段模块1、注意力跨阶段模块1、注意力跨阶段模块2、SPP空间金字塔模块、可变形跨阶段模块、跨阶段模块2和跨阶段模块3，以及跨阶段模块4和跨阶段模块5，其中，跨阶段模块2提取的特征作为跨阶段模块4的输入，可变形跨阶段模块提取的特征作为跨阶段模块5的输入，注意力跨阶段模块1提取的特征作为跨阶段模块3的输入，注意力跨阶段模块2提取的特征作为跨阶段模块2的输入；待检测的SAR图像输入跨阶段模块1中，跨阶段模块3、跨阶段模块4及跨阶段模块5的输出作为基于特征细化网络的舰船目标检测模型的输出特征。
本发明建立的基于特征细化网络的舰船目标检测模型是在YOLOv5特征提取网络的基础上进行的改进。引入层级注意力机制建立注意力跨阶段模块，能够提高多尺度舰船目标的检测率，尤其是提高小目标检测能力；引入可变形卷积神经网络建立可变形跨阶段模块，能够对复杂环境下SAR图像实现近岸目标检测，可有效降低虚警，提高检测率。
其中，注意力跨阶段模块，如图2所示，在现有的YOLOv5特征提取网络中的跨阶段模块的基础上进行了改进，模块的具体结构为：依次串联的卷积模块A1、残差卷积模块及卷积模块A3，与卷积模块A4并联后依次与合并模块及卷积模块A5串联，其中，注意力跨阶段模块的输入分别输入到卷积模块A1与卷积模块A4，卷积模块A5的输出作为注意力跨阶段模块的输出。
可变性跨阶段模块，如图3所示，也是在现有的YOLOv5特征提取网络中的跨阶段模块的基础上进行了改进，模块的具体结构为：串联的卷积模块A1、可变形卷积模块1及卷积模块A3，与串联的可变形卷积模块2及卷积模块A4并联后依次与合并模块及卷积模块A5串联，其中，可变性跨阶段模块的输入分别输入到卷积模块A1与可变形卷积模块2，卷积模块A5的输出作为注意力跨阶段模块的输出。
层级注意力机制通过对卷积特征图进行压缩操作，得到通道级的全局特征，用全局池化层作压缩操作，将每个特征通道变换成一个特征图最后变成实数序列。被处理的多个特征图可以被解释为从图像中提取到局部特征描述子的集合，每个特征图无法利用其他特征图的上下文信息。使用全局池化可以使其拥有全局的感受野，从而让低层网络也能利用全局信息。然后对全局特征进行激活操作，激活操作用于捕获特征通道的重要性和依赖性的关键操作，通过两个全连接层结合激活函数构建各个通道的相关性，并且学习各个通道间的关系，也得到不同通道的权重，最后和原有的特征图融合得到最终的特征。层级注意力机制在通道维度上做注意力机制，这种注意力使得特征提取更加关注信息量最大的通道特征，而抑制那些不重要的通道特征。
步骤3、采用步骤1中建立的训练样本和测试样本，训练基于特征细化网络的舰船目标检测模型。
步骤4、将待识别的SAR图像输入到训练得到的建立基于特征细化网络的舰船目标检测模型中，检测SAR图像中的舰船目标。
为验证本发明提供方法的有效性，本实施例采用硬件平台：CPU:Intel(R)Core(TM)i9-9820X@3.30GHz，GPU:TITAN V，32G内存；操作系统Window10；软件方面：基于深度学习架构Pytorch和Python开发环境Pycharm。采用CUDA10.0加速计算。通过采用S1提到的数据集进行训练，分析SAR图像复杂环境近岸舰船大小混合目标，复杂场景下近岸舰船小目标，复杂环境近岸舰船大目标，远海舰船小目标，远海舰船大目标等场景的检测率。
基于特征细化网络模型的SAR图像舰船目标检测方法训练的迭代次数为300次，由于SAR图像的成像方式有别于光学图像的成像方式，目前大多迁移学习都采用光学图像的权重文件进行训练，这样对于SAR图像的特征提取没有实质性的提高，因此本实施例不采用迁移学习的方法，针对网络模型进行从头训练，测试样本采用数据集三高分图像样本进行测试。测试数据集采用复杂环境近岸舰船大小混合目标，复杂场景下近岸舰船小目标，复杂环境近岸舰船大目标，远海舰船小目标，远海舰船大目标等场景，每次测试计算测试集的检测精度，具体检测结果如图5和图6所示。
通过实验结果可以看出：针对远海舰船小目标，远海舰船大小混合目标场景下的检测，采用特征细化网络模型的SAR图像舰船目标检测方法的SAR图像舰船目标检测方法的检测率在100％，如图5和图6所示。针对复杂场景下近岸舰船小目标检测，采用特征细化网络模型的SAR图像舰船目标检测方法的SAR图像舰船目标检测方法的检测率在97％。针对复杂场景下近岸舰船大目标检测，采用特征细化网络模型的SAR图像舰船目标检测方法模型的SAR图像舰船目标检测方法的检测率在80.52％，如图6所示。针对复杂环境近岸舰船大小混合目标检测，采用特征细化网络模型的SAR图像舰船目标检测方法模型的SAR图像舰船目标检测方法的检测率在100％。实验结果表明：采用特征细化网络模型的SAR图像舰船目标检测方法模型的SAR图像舰船目标检测方法提高了复杂环境下舰船目标检测效果。
通过实验结果可以看出：针对远海舰船小目标，远海舰船大小混合目标场景下的检测，采用特征细化网络模型的SAR图像舰船目标检测方法的SAR图像舰船目标检测方法的检测率在100％，如图5所示。针对复杂场景下近岸舰船小目标检测，采用特征细化网络模型的SAR图像舰船目标检测方法的SAR图像舰船目标检测方法的检测率在97％。针对复杂场景下近岸舰船大目标检测，采用特征细化网络模型的SAR图像舰船目标检测方法模型的SAR图像舰船目标检测方法的检测率在80.52％，如图6所示。针对复杂环境近岸舰船大小混合目标检测，采用特征细化网络模型的SAR图像舰船目标检测方法模型的SAR图像舰船目标检测方法的检测率在100％。实验结果表明：采用特征细化网络模型的SAR图像舰船目标检测方法模型的SAR图像舰船目标检测方法提高了复杂环境下舰船目标检测效果。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.基于特征细化网络模型的SAR图像舰船目标检测方法，其特征在于，包括以下步骤：
步骤1、构建SAR图像舰船检测的训练样本数据集；SAR图像作为样本的输入，SAR图像中的舰船目标作为标签；
步骤2、采用注意力机制和可变性卷积神经网络，建立基于特征细化网络的舰船目标检测模型；所述基于特征细化网络的舰船目标检测模型包括相互串联的跨阶段模块1、注意力跨阶段模块1、注意力跨阶段模块2、SPP空间金字塔模块、可变形跨阶段模块、跨阶段模块2和跨阶段模块3，以及跨阶段模块4和跨阶段模块5，其中，所述跨阶段模块2提取的特征作为跨阶段模块4的输入，所述可变形跨阶段模块提取的特征作为所述跨阶段模块5的输入，所述注意力跨阶段模块1提取的特征作为所述跨阶段模块3的输入，所述注意力跨阶段模块2提取的特征作为所述跨阶段模块2的输入；将待检测的SAR图像输入所述跨阶段模块1中；所述跨阶段模块3、跨阶段模块4及跨阶段模块5的输出作为基于特征细化网络的舰船目标检测模型的输出特征；
步骤3、采用步骤1中所述的训练样本，完成所述基于特征细化网络的舰船目标检测模型的训练；
步骤4、将待检测的SAR图像输入到训练得到的建立基于特征细化网络的舰船目标检测模型中，得到所述待检测的SAR图像中的舰船目标。
2.根据权利要求1所述的方法，其特征在于，所述步骤2中的所述注意力跨阶段模块的结构为：依次串联的卷积模块A1、残差卷积模块及卷积模块A3，与卷积模块A4并联后，再依次与合并模块及卷积模块A5串联，其中，所述注意力跨阶段模块的输入分别输入到所述卷积模块A1与卷积模块A4中，所述卷积模块A5的输出作为所述注意力跨阶段模块的输出。
3.根据权利要求1所述的方法，其特征在于，所述步骤2中的所述可变性跨阶段模块的结构为：依次串联的卷积模块A1、可变形卷积模块1及卷积模块A3，与串联的可变形卷积模块2及卷积模块A4并联后，再依次与合并模块及卷积模块A5串联，其中，所述可变性跨阶段模块的输入分别输入到所述卷积模块A1与可变形卷积模块2中，所述卷积模块A5的输出作为所述注意力跨阶段模块的输出。
CN202011081361.5A 2020-10-10 2020-10-10 基于特征细化网络模型的sar图像舰船目标检测方法 Active CN112329542B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011081361.5A CN112329542B (zh) 2020-10-10 2020-10-10 基于特征细化网络模型的sar图像舰船目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011081361.5A CN112329542B (zh) 2020-10-10 2020-10-10 基于特征细化网络模型的sar图像舰船目标检测方法

Publications (2)

Publication Number Publication Date
CN112329542A true CN112329542A (zh) 2021-02-05
CN112329542B CN112329542B (zh) 2022-11-11

Family

ID=74314703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011081361.5A Active CN112329542B (zh) 2020-10-10 2020-10-10 基于特征细化网络模型的sar图像舰船目标检测方法

Country Status (1)

Country Link
CN (1) CN112329542B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884064A (zh) * 2021-03-12 2021-06-01 迪比（重庆）智能科技研究院有限公司 一种基于神经网络的目标检测与识别方法
CN112966678A (zh) * 2021-03-11 2021-06-15 南昌航空大学 一种文本检测方法及系统
CN113076842A (zh) * 2021-03-26 2021-07-06 烟台大学 一种用于提升极端天气与环境下交通标志识别精度的方法
CN113379603A (zh) * 2021-06-10 2021-09-10 大连海事大学 一种基于深度学习的船舶目标检测方法
CN113536929A (zh) * 2021-06-15 2021-10-22 南京理工大学 一种复杂场景下的sar图像目标检测方法
CN113657181A (zh) * 2021-07-23 2021-11-16 西北工业大学 一种基于平滑标签编码与特征增强的sar图像旋转目标检测方法
CN116883861A (zh) * 2023-07-17 2023-10-13 中国人民解放军战略支援部队航天工程大学 面向微小卫星在轨应用的港口大中型舰船活动识别方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108510467A (zh) * 2018-03-28 2018-09-07 西安电子科技大学 基于深度可变形卷积神经网络的sar图像目标识别方法
CN109299688A (zh) * 2018-09-19 2019-02-01 厦门大学 基于可变形快速卷积神经网络的舰船检测方法
CN110705457A (zh) * 2019-09-29 2020-01-17 核工业北京地质研究院 一种遥感影像建筑物变化检测方法
CN111709381A (zh) * 2020-06-19 2020-09-25 桂林电子科技大学 基于YOLOv3-SPP的道路环境目标检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108510467A (zh) * 2018-03-28 2018-09-07 西安电子科技大学 基于深度可变形卷积神经网络的sar图像目标识别方法
CN109299688A (zh) * 2018-09-19 2019-02-01 厦门大学 基于可变形快速卷积神经网络的舰船检测方法
CN110705457A (zh) * 2019-09-29 2020-01-17 核工业北京地质研究院 一种遥感影像建筑物变化检测方法
CN111709381A (zh) * 2020-06-19 2020-09-25 桂林电子科技大学 基于YOLOv3-SPP的道路环境目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SANGHYUN WOO等: "CBAM: Convolutional Block Attention Module", 《ARXIV》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966678A (zh) * 2021-03-11 2021-06-15 南昌航空大学 一种文本检测方法及系统
CN112884064A (zh) * 2021-03-12 2021-06-01 迪比（重庆）智能科技研究院有限公司 一种基于神经网络的目标检测与识别方法
CN112884064B (zh) * 2021-03-12 2022-07-29 迪比（重庆）智能科技研究院有限公司 一种基于神经网络的目标检测与识别方法
CN113076842A (zh) * 2021-03-26 2021-07-06 烟台大学 一种用于提升极端天气与环境下交通标志识别精度的方法
CN113379603A (zh) * 2021-06-10 2021-09-10 大连海事大学 一种基于深度学习的船舶目标检测方法
CN113379603B (zh) * 2021-06-10 2024-03-15 大连海事大学 一种基于深度学习的船舶目标检测方法
CN113536929A (zh) * 2021-06-15 2021-10-22 南京理工大学 一种复杂场景下的sar图像目标检测方法
CN113657181A (zh) * 2021-07-23 2021-11-16 西北工业大学 一种基于平滑标签编码与特征增强的sar图像旋转目标检测方法
CN113657181B (zh) * 2021-07-23 2024-01-23 西北工业大学 一种基于平滑标签编码与特征增强的sar图像旋转目标检测方法
CN116883861A (zh) * 2023-07-17 2023-10-13 中国人民解放军战略支援部队航天工程大学 面向微小卫星在轨应用的港口大中型舰船活动识别方法及系统
CN116883861B (zh) * 2023-07-17 2024-01-26 中国人民解放军战略支援部队航天工程大学 面向微小卫星在轨应用的港口大中型舰船活动识别方法及系统

Also Published As

Publication number Publication date
CN112329542B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN112329542B (zh) 基于特征细化网络模型的sar图像舰船目标检测方法
Zhao et al. A coupled convolutional neural network for small and densely clustered ship detection in SAR images
CN109583369B (zh) 一种基于目标区域分割网络的目标识别方法及装置
Chen et al. A deep neural network based on an attention mechanism for SAR ship detection in multiscale and complex scenarios
CN102867196A (zh) 基于Gist特征学习的复杂海面遥感影像舰船检测方法
CN110009010A (zh) 基于兴趣区域重检测的宽幅光学遥感目标检测方法
CN112487912B (zh) 基于改进YOLOv3的任意方向舰船检测方法
CN112487900A (zh) 一种基于特征融合的sar图像舰船目标检测方法
CN113963251A (zh) 一种海洋生物检测方法、系统和设备
He et al. Ship detection without sea-land segmentation for large-scale high-resolution optical satellite images
CN115841629A (zh) 一种基于卷积神经网络的sar图像舰船检测方法
Wei et al. Texture feature analysis in oil spill monitoring by SAR image
CN109284752A (zh) 一种车辆的快速检测方法
Liu et al. A Multi-scale Feature Pyramid SAR Ship Detection Network with Robust Background Interference
CN116168240A (zh) 基于注意力增强的任意方向密集舰船目标检测方法
CN116503750A (zh) 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及系统
CN115830309A (zh) 基于Deeplabv3+的SGAN道路裂缝图像分割方法
CN115035429A (zh) 一种基于复合主干网络和多预测头的航拍目标检测方法
Tienin et al. Comparative ship classification in heterogeneous dataset with pre-trained models
Luo Sailboat and kayak detection using deep learning methods
Wan et al. Orientation Detector for Small Ship Targets in SAR Images Based on Semantic Flow Feature Alignment and Gaussian Label Matching
Li et al. TKP-Net: A Three Keypoint Detection Network for Ships Using SAR Imagery
CN116665016B (zh) 一种基于改进YOLOv5的单帧红外弱小目标检测方法
Wang et al. CFAR-guided EfficientDet with improved loss function for SAR target detection
Yu et al. An Intelligent System for Outfall Detection in UAV Images Using Lightweight Convolutional Vision Transformer Network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant