CN112487900B - 一种基于特征融合的sar图像舰船目标检测方法 - Google Patents

一种基于特征融合的sar图像舰船目标检测方法 Download PDF

Info

Publication number
CN112487900B
CN112487900B CN202011307483.1A CN202011307483A CN112487900B CN 112487900 B CN112487900 B CN 112487900B CN 202011307483 A CN202011307483 A CN 202011307483A CN 112487900 B CN112487900 B CN 112487900B
Authority
CN
China
Prior art keywords
module
pyramid
convolution
pyramid module
sar image
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.)
Active
Application number
CN202011307483.1A
Other languages
English (en)
Other versions
CN112487900A (zh
Inventor
朱卫纲
李永刚
曲卫
黄琼男
朱霸坤
杨君
何永华
邱磊
庞鸿锋
李伟
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 CN202011307483.1A priority Critical patent/CN112487900B/zh
Publication of CN112487900A publication Critical patent/CN112487900A/zh
Application granted granted Critical
Publication of CN112487900B publication Critical patent/CN112487900B/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
    • G06V10/40—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]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • 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)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于特征融合的SAR图像舰船目标检测方法，通过在原始YOLOv5特征提取网络的基础上，增加了级联和并联的具有不同感受野的金字塔模块构建了基于特征融合的SAR图像舰船目标检测模型，能够在特征图的层级上进行多尺度的特征融合，有效提高了舰船目标的检测精度和算法的鲁棒性。

Description

一种基于特征融合的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，具体涉及一种基于特征融合的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)是一种主动式微波成像传感器，是一种重要的遥感手段，相比于可见光、红外遥感来说，SAR具有全天时、全天候、穿透能力强、可变侧视角的优势，在获取高分辨率图像的同时可以不受光照、天气因素的制约，因此，SAR遥感在海洋监测与管理方面具有独特的优势。
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，一方面现有的传统检测方法的流程复杂，在检测速度上受到较大限制，并且对于多个独立步骤，难以整体优化以提升检测精度。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。同时随着SAR图像的分辨率不断提升，目标中所含的信息也越来越复杂，对检测算法提出了更高的要求，而传统算法的可靠性与实用性则逐渐降低，针对SAR图像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从光学图像方法进行迁移训练，取得了不错的检测效果。然而，针对实际的工作环境下，由于遥感平台的移动，将一个小孔径的天线安装在平台侧方，通过运动形成等效的大孔径天线，正是由于平台的移动使得SAR图像具有不同成像角度，方位分辨率和实际成像物体大小的不同，SAR图像在尺寸上存在多尺度问题。由于目前现有的深度学习的多尺度特征融合网络模型都是基于光学图像进行设计，并没有考虑SAR图像的本质特征，通过光学的网络模型直接迁移到SAR图像目标检测中存在检测准确率相对较低、多尺度特征融合效果差及算法鲁棒效果差等问题。
发明内容
有鉴于此，本发明提供了一种基于特征融合的SAR图像舰船目标检测方法，能够实现复杂背景和简单背景下的SAR图像的精确检测。
本发明提供的基于特征融合的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、建立基于特征融合的SAR图像舰船目标检测模型，包括卷积神经网络模块层、金字塔模块层和特征聚合层，其中，卷积神经网络模块层对输入图像进行特征提取得到特征图，并将提取到的特征图作为金字塔模块层中的各金字塔模块及特征聚合层的输入；金字塔模块层包含多个具有不同感受野的金字塔模块，各金字塔模块逐个向后级联，且各金字塔模块的输出均作为特征聚合层的输入特征；特征聚合层将卷积神经网络模块层及各金字塔模块的输入特征聚合为聚合特征作为模型的输出；
步骤3、采用步骤1中所述的训练样本，完成所述基于特征融合的SAR图像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基于特征融合的SAR图像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中的所述金字塔模块采用空洞卷积增大感受野。
进一步地，所述步骤2中所述金字塔模块层包括金字塔模块1、金字塔模块2、金字塔模块3及金字塔模块4，所述金字塔模块1的输入为所述卷积神经网络模块层提取的特征，所述金字塔模块1的输出作为所述特征聚合层、金字塔模块2、金字塔模块3和金字塔模块4的输入；所述金字塔模块2的输入为所述卷积神经网络模块层提取的特征及所述金字塔模块1的输出，所述金字塔模块2的输出作为所述特征聚合层、金字塔模块3和金字塔模块4的输入；所述金字塔模块3的输入为所述卷积神经网络模块层提取的特征、所述金字塔模块1及所述金字塔模块2的输出，所述金字塔模块3的输出作为所述特征聚合层和所述金字塔模块4的输入；所述金字塔模块4的输入为所述卷积神经网络模块层提取的特征、所述金字塔模块1、所述金字塔模块2及所述金字塔模块3的输出，所述金字塔模块4的输出作为所述特征聚合层的输入。
进一步地，所述金字塔模块1采用A1_1x1卷积模块；所述金字塔模块2采用A2_1x1卷积模块、A3_1x1卷积模块及B1_3x3卷积模块；所述金字塔模块3采用A4_1x1卷积模块、B2_3x3卷积模块及5x5卷积模块；所述金字塔模块4采用A5_1x1卷积模块、B3_3x3卷积模块及7x7卷积模块。
进一步地，所述B1_3x3卷积模块由3x3的卷积核进行膨胀率为1的空洞操作实现；所述5x5卷积模块由3x3的卷积核进行膨胀率为2的空洞操作实现；所述7x7卷积模块由3x3的卷积核进行膨胀率为3的空洞操作实现。
有益效果：
1、本发明通过在原始YOLOv5特征提取网络的基础上，增加了级联和并联的具有不同感受野的金字塔模块构建了基于特征融合的SAR图像舰船目标检测模型，能够在特征图的层级上进行多尺度的特征融合，有效提高了舰船目标的检测精度和算法的鲁棒性。
2、本发明通过在不同金字塔模块的不同感受野中采用空洞卷积实现了增大卷积感受野的目的，降低了特征提取过程的计算量，从而有效提高了SAR图像舰船检测的检测效率。
附图说明
图1为本发明提供的一种基于特征融合的SAR图像舰船目标检测方法构建的基于多特征融合的SAR图像舰船目标检测模型结构图。
图2为本发明提供的一种基于特征融合的SAR图像舰船目标检测方法构建的注意力金字塔模块结构示意图。
图3为本发明提供的一种基于特征融合的SAR图像舰船目标检测方法构建的空洞卷积感受野模块结构示意图。
图4为本发明提供的一种基于特征融合的SAR图像舰船目标检测方法针对AIR-SARShip-2.0数据集舰船目标检测的AP示意图。
图5为本发明提供的一种基于特征融合的SAR图像舰船目标检测方法针对SSDD数据集舰船目标检测的AP示意图。
图6为本发明提供的一种基于特征融合的SAR图像舰船目标检测方法针对AIR-SARShip-2.0数据集舰船目标检测结果示意图。
图7为本发明提供的一种基于特征融合的SAR图像舰船目标检测方法针对SSDD数据集舰船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。
本发明提供的一种基于特征融合的SAR图像舰船目标检测方法(Ship TargetDetection In SAR Image Based On Feature Fusion)，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，本发明采用公开ship_detection_online舰船数据集、SSDD舰船检测公开数据集，以及AIR-SARShip-2.0数据集构建样本数据集。采用ship_detection_online舰船数据集和SSDD数据集作为训练样本数据集输入网络进行训练，采用AIR-SARShip-2.0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：采用公开ship_detection_online舰船数据集。数据集包含43819张256×256像素的目标切片图像，其中20605张图像为高分3号卫星拍摄图像，分辨率为1m-5m，极化方式为VV极化。其中，22156张切片图像为哨兵1号卫星拍摄图像，分辨率为1m-5m，极化方式为HH极化；剩余的1058张图像是网络收集舰船目标。
数据集二：采用公开的SSDD数据集，AIR-SARShip-2.0数据集300幅图像，用于评估最终模型的泛化能力。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。AIR-SARShip-2.0数据集，此数据集由成像分辨率为1m-5m，不同照射角度，不同成像模式，不同极化方式的图像组成。
步骤2、建立基于特征融合的SAR图像舰船目标检测模型，包括卷积神经网络模块层、金字塔模块层和特征聚合层，其中，卷积神经网络模块层对输入图像进行特征提取得到特征图，并将提取到的特征图作为金字塔模块层中的各金字塔模块及特征聚合层的输入；金字塔模块层包含多个具有不同感受野的金字塔模块，各金字塔模块逐个向后级联，且各金字塔模块的输出均作为特征聚合层的输入特征；特征聚合层将卷积神经网络模块层及各金字塔模块的输入特征聚合为聚合特征作为模型的输出。
基于特征融合的SAR图像舰船目标检测模型，模型的结构如图1所示，其中金字塔模块层的结构如下：金字塔模块层包含4个金字塔模块，即金字塔模块1、金字塔模块2、金字塔模块3及金字塔模块4，金字塔模块1的输入为卷积神经网络模块层提取的特征，金字塔模块1的输出作为特征聚合层、金字塔模块2、金字塔模块3和金字塔模块4的输入；金字塔模块2的输入为卷积神经网络模块层提取的特征及金字塔模块1的输出，金字塔模块2的输出作为特征聚合层、金字塔模块3和金字塔模块4的输入；金字塔模块3的输入为卷积神经网络模块层提取的特征、金字塔模块1及金字塔模块2的输出，金字塔模块3的输出作为特征聚合层和金字塔模块4的输入；金字塔模块4的输入为卷积神经网络模块层提取的特征、金字塔模块1、金字塔模块2及金字塔模块3的输出，金字塔模块4的输出作为特征聚合层的输入。
其中，金字塔模块层各金字塔模块的结构如图2所示，具体为：金字塔模块1采用A1_1x1的卷积针对小型舰船目标进行特征提取；金字塔模块2采用A2_1x1卷积，A3_1x1卷积，B1_3x3卷积针对中型舰船目标特征图进行提取；金字塔模块3采用A4_1x1卷积，B2_3x3卷积，5x5卷积针对中大型舰船目标特征图进行提取；金字塔模块4采用A5_1x1卷积，B3_3x3卷积，7x7卷积针对大型舰船目标特征图进行提取。
本发明建立的基于特征融合的SAR图像舰船目标检测模型，是基于原始YOLOv5特征提取网络设计的级联和并列的金字塔模块特征融合结构(Multi Feature Fusion-1/2/3,MFF-1/2/3)，其中，并列结构使得不同金字塔针对不同尺度的SAR图像舰船目标特征图具有更好的效果，级联结构实现了不同尺度之间的特征融合，因此能够有效提高舰船目标的检测的精度和算法的鲁棒性。
此外，现有技术中，一般通过以下三种方式增加输出单元的感受野：一是增加卷积核的大小；二是卷积增加层数，例如两层3x3的卷积可以近似一层5x5卷积的效果；三是在卷积之前进行汇聚操作。上述前两种方式都会增加参数的数量，而第三种方式则会丢失一些信息。因此，本发明采用空洞卷积的方式可以在不增加参数数量同时增加输出单元的感受野，从而有效降低了卷积过程的计算量。空洞卷积通过给卷积核插入“空洞”变相地增加其大小。如果在卷积核的每两个元素之间插入D-1个空洞，卷积核的有效大小K可采用如下公式进行计算：
K＝K+(K-1)×(D-1)
其中，K为卷积核大小，D为膨胀率(Dilation Rate)。正是通过空洞卷积扩大卷积核增加了卷积感受野，增大多尺度任务的上下文信息，使得对特征图提取更加多的特征。
为了不增加计算量，本发明采用空洞卷积来增大感受野，其中B1_3x3卷积、5x5卷积及7x7卷积均可采用空洞卷积，模块结构如图3所示，模块具体包括：B1_3x3卷积模块、5x5卷积模块、7x7卷积模块；其中B1_3x3卷积模块通过一个3x3的卷积核进行膨胀率为1的空洞操作，即得到真实感受野大小为3＝3+(3-1)×(1-1)；5x5卷积模块通过一个3x3的卷积核进行膨胀率为2的空洞操作，即得到真实感受野大小为5＝3+(3-1)×(2-1)；7x7卷积模块通过一个3x3的卷积核进行膨胀率为3的空洞操作，即得到真实感受野大小为7＝3+(3-1)×(3-1)。
步骤3、采用步骤1中建立的训练样本和测试样本，训练基于特征融合的SAR图像舰船目标检测模型。
步骤4、将待识别的SAR图像输入到训练得到的基于特征融合的SAR图像舰船目标检测模型中，检测出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。通过采用步骤一提到的数据集进行训练，通过采用AP只进行分析验证多特征融合的SAR图像舰船目标检测方法的性能。
为了验证多特征融合的SAR图像舰船目标检测方法的性能，本发明AP作为评价指标。对于本发明试验中正确预测概率(True Positive Rate，TPR)又称召回率(Recall)计算公式为,是指实际正样本中被预测正确的概率。虚警率(False Positive Rate，FPR)计算公式为,是指实际负样本中被错误预测为正样本的概率。精度，是指预测结果中有多少正样本是被正确预测的。AP(Average Precision)是PR曲线下面的面积，是衡量目标检测算法的重要指标，因此本发明采用AP做为检测算法的评价指标。
基于多特征融合的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，测试样本采用步骤一中的数据集二图像样本进行测试。测试数据集包括AIR-SARShip-2.0数据集舰船目标和SSDD数据集舰船目标，为了验证网络的鲁棒性，测试数据集采用两种场景复杂度不同的数据集；每次计算多特征融合的SAR图像舰船目标检测方法的AP值，如图4，图5所示，进行网络性能的评估，具体检测结果如图6，图7所示。
通过实验结果可以看出：针对AIR-SARShip-2.0数据集舰船目标检测，采用多特征融合的SAR图像舰船目标检测方法的AP值为84.029％,如图4所示，检测结果如图6所示。针对SSDD数据集的舰船目标检测，采用多特征融合的SAR图像舰船目标检测方法的AP值为89.765％,如图5所示，检测结果如图7所示。实验结果表明：采用多特征融合的SAR图像舰船目标检测方法无论是在AIR-SARShip-2.0数据集舰船目标检测还是SSDD数据集舰船目标检测都得到了很好的检测效果，同时多特征融合的SAR图像舰船目标检测方法表现出良好的鲁棒性。提高了舰船目标检测效果。
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.基于特征融合的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、建立基于特征融合的SAR图像舰船目标检测模型，包括卷积神经网络模块层、金字塔模块层和特征聚合层，其中，卷积神经网络模块层对输入图像进行特征提取得到特征图，并将提取到的特征图作为金字塔模块层中的各金字塔模块及特征聚合层的输入；金字塔模块层包含多个具有不同感受野的金字塔模块，各金字塔模块逐个向后级联，且各金字塔模块的输出均作为特征聚合层的输入特征；特征聚合层将卷积神经网络模块层及各金字塔模块的输入特征聚合为聚合特征作为模型的输出；金字塔模块层包括金字塔模块1、金字塔模块2、金字塔模块3及金字塔模块4，所述金字塔模块1的输入为所述卷积神经网络模块层提取的特征，所述金字塔模块1的输出作为所述特征聚合层、金字塔模块2、金字塔模块3和金字塔模块4的输入；所述金字塔模块2的输入为所述卷积神经网络模块层提取的特征及所述金字塔模块1的输出，所述金字塔模块2的输出作为所述特征聚合层、金字塔模块3和金字塔模块4的输入；所述金字塔模块3的输入为所述卷积神经网络模块层提取的特征、所述金字塔模块1及所述金字塔模块2的输出，所述金字塔模块3的输出作为所述特征聚合层和所述金字塔模块4的输入；所述金字塔模块4的输入为所述卷积神经网络模块层提取的特征、所述金字塔模块1、所述金字塔模块2及所述金字塔模块3的输出，所述金字塔模块4的输出作为所述特征聚合层的输入；
所述金字塔模块1采用A1_1x1卷积模块针对小型舰船目标进行特征提取；所述金字塔模块2采用A2_1x1卷积模块，A3_1x1卷积模块，B1_3x3卷积模块针对中型舰船目标特征图进行提取；所述金字塔模块3采用A4_1x1卷积模块，B2_3x3卷积模块，5x5卷积模块针对中大型舰船目标特征图进行提取；所述金字塔模块4采用A5_1x1卷积模块，B3_3x3卷积模块，7x7卷积模块针对大型舰船目标特征图进行提取；
步骤3、采用步骤1中所述的训练样本，完成所述基于特征融合的SAR图像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基于特征融合的SAR图像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中的所述金字塔模块采用空洞卷积增大感受野。
3.根据权利要求2所述的方法，其特征在于，所述B1_3x3卷积模块由3x3的卷积核进行膨胀率为1的空洞操作实现；所述5x5卷积模块由3x3的卷积核进行膨胀率为2的空洞操作实现；所述7x7卷积模块由3x3的卷积核进行膨胀率为3的空洞操作实现。
CN202011307483.1A 2020-11-20 2020-11-20 一种基于特征融合的sar图像舰船目标检测方法 Active CN112487900B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011307483.1A CN112487900B (zh) 2020-11-20 2020-11-20 一种基于特征融合的sar图像舰船目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011307483.1A CN112487900B (zh) 2020-11-20 2020-11-20 一种基于特征融合的sar图像舰船目标检测方法

Publications (2)

Publication Number Publication Date
CN112487900A CN112487900A (zh) 2021-03-12
CN112487900B true CN112487900B (zh) 2022-11-15

Family

ID=74932184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011307483.1A Active CN112487900B (zh) 2020-11-20 2020-11-20 一种基于特征融合的sar图像舰船目标检测方法

Country Status (1)

Country Link
CN (1) CN112487900B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111975A (zh) * 2021-05-12 2021-07-13 合肥工业大学 基于多核尺度卷积神经网络的sar图像目标分类方法
CN113344045B (zh) * 2021-05-21 2022-03-15 电子科技大学 一种结合hog特征提高sar船只分类精度的方法
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084210A (zh) * 2019-04-30 2019-08-02 电子科技大学 基于注意力金字塔网络的sar图像多尺度舰船检测方法
CN110378297A (zh) * 2019-07-23 2019-10-25 河北师范大学 一种基于深度学习的遥感图像目标检测方法
CN110633661A (zh) * 2019-08-31 2019-12-31 南京理工大学 一种融合语义分割的遥感图像目标检测方法
CN111626176A (zh) * 2020-05-22 2020-09-04 中国科学院空天信息创新研究院 一种遥感图像的地物目标检测方法及系统
CN111860398A (zh) * 2020-07-28 2020-10-30 河北师范大学 遥感图像目标检测方法、系统及终端设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084210A (zh) * 2019-04-30 2019-08-02 电子科技大学 基于注意力金字塔网络的sar图像多尺度舰船检测方法
CN110378297A (zh) * 2019-07-23 2019-10-25 河北师范大学 一种基于深度学习的遥感图像目标检测方法
CN110633661A (zh) * 2019-08-31 2019-12-31 南京理工大学 一种融合语义分割的遥感图像目标检测方法
CN111626176A (zh) * 2020-05-22 2020-09-04 中国科学院空天信息创新研究院 一种遥感图像的地物目标检测方法及系统
CN111860398A (zh) * 2020-07-28 2020-10-30 河北师范大学 遥感图像目标检测方法、系统及终端设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Synthetic Aperture Radar Images Target Detection and Recognition with Multiscale Feature Extraction and Fusion Based on Convolutional Neural Networks;Jun Wang 等;《2019 IEEE International Conference on Signal, Information and Data Processing (ICSIDP)》;20200821;第1-4页 *
卷积神经网络在雷达自动目标识别中的研究进展;贺丰收 等;《电子与信息学报》;20200115;第42卷(第1期);第119-131页 *
复杂背景下SAR图像近岸舰船目标检测;李永刚 等;《系统工程与电子技术》;20211216;第1-10页 *

Also Published As

Publication number Publication date
CN112487900A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN112487900B (zh) 一种基于特征融合的sar图像舰船目标检测方法
CN112380952B (zh) 基于人工智能的电力设备红外图像实时检测及识别方法
Chen et al. A deep neural network based on an attention mechanism for SAR ship detection in multiscale and complex scenarios
CN110728658A (zh) 一种基于深度学习的高分辨率遥感影像弱目标检测方法
CN112329542B (zh) 基于特征细化网络模型的sar图像舰船目标检测方法
CN104036239B (zh) 基于特征融合和聚类的高分辨sar图像快速舰船检测方法
CN112183432B (zh) 一种基于中分辨率sar图像的建筑区提取方法以及系统
CN103353988B (zh) 异源sar景象特征匹配算法性能评估方法
Wang et al. Study on the combined application of CFAR and deep learning in ship detection
Liu et al. Coastline extraction method based on convolutional neural networks—A case study of Jiaozhou Bay in Qingdao, China
CN112487912B (zh) 基于改进YOLOv3的任意方向舰船检测方法
CN104680169A (zh) 一种面向高空间分辨率遥感图像专题信息提取的半监督诊断性特征选择方法
CN111445522A (zh) 被动式夜视智能探雷系统及智能探雷方法
CN115455801A (zh) 基于pso-dnn的hy-2b扫描微波辐射计海面风速反演方法和装置
CN116580322A (zh) 一种地面背景下无人机红外小目标检测方法
CN113469097B (zh) 一种基于ssd网络的水面漂浮物多相机实时检测方法
Liu et al. A Multi-scale Feature Pyramid SAR Ship Detection Network with Robust Background Interference
CN111368653B (zh) 一种基于r-d图与深度神经网络的低空小目标检测方法
Ni et al. Multi-meter intelligent detection and recognition method under complex background
CN116168240A (zh) 基于注意力增强的任意方向密集舰船目标检测方法
Wu et al. Research on Asphalt Pavement Disease Detection Based on Improved YOLOv5s
Xie et al. Lightweight and anchor-free frame detection strategy based on improved CenterNet for multiscale ships in SAR images
CN114219998A (zh) 一种基于目标检测神经网络的声纳图像实时检测方法
CN114092844A (zh) 一种基于生成对抗网络的多波段图像目标检测方法
Zhao et al. Anchor-free network for multi-class object detection in remote sensing images

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