CN112926534B - 一种基于变换域信息融合的sar图形船只目标检测方法 - Google Patents

一种基于变换域信息融合的sar图形船只目标检测方法 Download PDF

Info

Publication number
CN112926534B
CN112926534B CN202110359459.0A CN202110359459A CN112926534B CN 112926534 B CN112926534 B CN 112926534B CN 202110359459 A CN202110359459 A CN 202110359459A CN 112926534 B CN112926534 B CN 112926534B
Authority
CN
China
Prior art keywords
sar
image
pseudo
optical image
generator
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
CN202110359459.0A
Other languages
English (en)
Other versions
CN112926534A (zh
Inventor
张博程
师皓
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.)
Beijing Institute of Technology BIT
Chongqing Innovation Center of Beijing University of Technology
Original Assignee
Beijing Institute of Technology BIT
Chongqing Innovation Center of Beijing University of Technology
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 Beijing Institute of Technology BIT, Chongqing Innovation Center of Beijing University of Technology filed Critical Beijing Institute of Technology BIT
Priority to CN202110359459.0A priority Critical patent/CN112926534B/zh
Publication of CN112926534A publication Critical patent/CN112926534A/zh
Application granted granted Critical
Publication of CN112926534B publication Critical patent/CN112926534B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于变换域信息融合的SAR图形船只目标检测方法，基于SAR图像得到初步船只检测结果；将SAR图像转换为伪光学图像，将伪光学图像输入图像分割网络，得到分割结果；根据分割结果对初步船只检测结果进行虚警剔除，得到最终船只检测结果。相较于传统的SAR图像船只检测算法，本方案通过SAR图像转换、分割，最终实现对初步检测结果的虚警剔除，从而提高了船只检测识别精度；同时SAR图像到光学图像的转换网络可以辅助SAR图像的解译。

Description

一种基于变换域信息融合的SAR图形船只目标检测方法
技术领域
本发明涉及合成孔径雷达目标检测技术领域，尤其涉及一种基于变换域信息融合的SAR图形船只目标检测方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar，简称SAR)和光学传感器构成了星载地球观测的两种最重要的形式。和光学系统相比，SAR图像具有全天时全天候高分辨率成像的优势。利用这些特点，SAR图像可以避免自然现象的影响，获得更多的传输图像信息。
虽然SAR图像广泛应用于对地观测，但是SAR图像本身包含一些缺点。首先，由于每个分辨率单元内的反射面所散射产生的相干回波的干扰，图像上会被添加叫做散斑噪声的一种乘性噪声；其次，在实际应用中难以获得的全极化SAR图像，而单极化SAR图像通常是没有任何颜色信息的灰度图像；最后，由于距离向上的距离依赖性和与雷达信号波长相关的特征，SAR图像包含着几何畸变。除了成像原理问题之外，对SAR的解译也有难度。由于信号的多重反射，显著的特征和实际物体结构关系较小。因此，SAR图像中结构信息的识别是一个困难的问题。
综上所述，导致SAR图像目标检测精度，并且随着大量轨道雷达卫星每天获取的SAR数据量越来越大，高精度的目标检测算法的需求变得越来越紧迫。
发明内容
本发明提供的一种基于变换域信息融合的SAR图形船只目标检测方法，主要解决的技术问题是：如何提高SAR图像船只目标检测精度。
为解决上述技术问题，本发明提供一种基于变换域信息融合的SAR图形船只目标检测方法，包括：
基于SAR图像得到初步船只检测结果；
将所述SAR图像转换为伪光学图像，将所述伪光学图像输入图像分割网络，得到分割结果；
根据所述分割结果对所述初步船只检测结果进行虚警剔除，得到最终船只检测结果。
可选的，所述基于SAR图像得到初步船只检测结果包括：
将所述SAR图像输入船只目标检测网络，得到所述初步船只检测结果。
可选的，所述船只目标检测网络包括EfficientDet网络。EfficientDet网络效果较好并且运行速度较快。
可选的，所述图像分割网络采用U-net分割网络。U-net网络可以使用非常少的图像进行训练，分割效果良好。
可选的，所述根据所述分割结果对所述初步船只检测结果进行虚警剔除包括：
所述分割结果包括将所述伪光学图像分割为水域和陆地，将所述初步船只检测结果中位于陆地的船只目标剔除，得到所述最终船只检测结果。
可选的，所述将所述SAR图像转换为伪光学图像包括：
将所述SAR图像输入图像转换网络进行转换得到所述伪光学图像，所述图像转换网络为改进的pix2pix网络，所述改进的pix2pix网络包括生成器G和生成器F，所述生成器G用于将SAR图像转换为伪光学图像，所述生成器F用于将真实光学图像转换为伪SAR图像，并可基于所述生成器F对所述生成器G进行神经网络训练优化。
可选的，所述基于所述生成器F对所述生成器G进行神经网络训练优化包括：
获取作为训练样本的SAR图像与对应的真实光学图像；
利用所述生成器G将所述作为训练样本的SAR图像转换为伪光学图像，利用所述生成器F将所述作为训练样本的真实光学图像转换为伪SAR图像，并利用所述生成器G将所述伪SAR图像转换为循环光学图像；
计算所述伪光学图像与所述真实光学图像之间的L1损失和分类损失；
计算所述循环伪光学图像与所述真实光学图像之间的L1损失和分类损失；
计算所述伪SAR图像与所述SAR图像之间的L1损失和分类损失；
基于上述L1损失和分类损失，调整神经网络训练参数，优化所述生成器G。
可选的，所述伪光学图像与所述真实光学图像之间的L1损失和分类损失分别为：
Lfake_OPT(G)＝Ex,y[‖y-G(x)‖1]；
LcGAN_OPT(D)＝-Ex,y[log D(x,y)]-Ex[log(1-D(x,G(x)))]；
LcGAN_OPT(G)＝-Ex[log(D(x,G(x)))]；
所述Lfake_OPT(G)表示所述伪光学图像与所述真实光学图像之间的L1损失；所述LcGAN_OPT(D)表示对判别器D应用的分类损失；所述LcGAN_OPT(G)表示对生成器G应用的分类损失。
可选的，所述循环伪光学图像与所述真实光学图像之间的L1损失和分类损失分别为：
Lcycle_OPT(G)＝Ex,y[||y-G(F(y))||1]；
LcGAN_cycle(D)＝-Ex,y[log D(x,y)]-Ex[log(1-D(x,G(F(y))))]；
LcGAN_cycle(G)＝-Ey[log(D(x,G(F(y))))]；
所述Lcycle_OPT(G)表示所述循环伪光学图像与所述真实光学图像之间的L1损失；所述LcGAN_cycle(D)表示对判别器D应用的分类损失；所述LcGAN_OPT(G)表示对生成器G应用的分类损失。
可选的，所述伪SAR图像与所述SAR图像之间的L1损失和分类损失分别为：
Lfake_SAR(F)＝Ex,y[||x-F(y)||1]；
LcGAN_SAR(D)＝-Ex,y[logD(y,x)]-Ey[log(1-D(y,F(y)))]；
LcGAN_SAR(F)＝-Ey[log(D(y,F(y)))]；
所述Lfake_SAR(F)表示所述伪SAR图像与所述SAR图像之间的L1损失；所述LcGAN_SAR(D)表示对判别器D应用的分类损失；所述LcGAN_SAR(F)表示对生成器F应用的分类损失。
本发明的有益效果是：
根据本发明提供的一种基于变换域信息融合的SAR图形船只目标检测方法，基于SAR图像得到初步船只检测结果；将SAR图像转换为伪光学图像，将伪光学图像输入图像分割网络，得到分割结果；根据分割结果对初步船只检测结果进行虚警剔除，得到最终船只检测结果。相较于传统的SAR图像船只检测算法，本方案通过SAR图像转换、分割，最终实现对初步检测结果的虚警剔除，从而提高了船只检测识别精度；同时SAR图像到光学图像的转换网络可以辅助SAR图像的解译。
附图说明
图1为本发明实施例一的基于变换域信息融合的SAR图形船只目标检测方法流程示意图；
图2为本发明实施例一的图像转换网络结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例一：
本实施例提供一种基于变换域信息融合的SAR图形船只目标检测方法，其流程如图1所示。首先，将SAR图像输入船只目标检测网络，输出初步的船只检测结果；与此同时，将该SAR图像输入光学图像转换网络，输出与SAR图像对应的伪光学图像；之后，将伪光学图像输入分割网络中，输出得到分割结果；最后，将分割结果与初步的船只检测结果共同输入虚警剔除算法，得到剔除虚警后的检测结果，即为最终船只检测结果。
应当理解，步骤“基于SAR图像得到初步船只检测结果”与步骤“将所述SAR图像转换为伪光学图像，将所述伪光学图像输入图像分割网络，得到分割结果”可并行处理，也可串行处理。
本方案具体实现过程如下：
步骤一、初步检测船只目标
将SAR图像输入预先训练好的EfficientDet网络，进行船只目标检测，得到初步船只检测结果。EfficientDet网络具有效果较好并且运行速度较快的优势。EfficientDet网络的训练过程可采用现有任意方式，此并非本发明的重点，故在此不再赘述，只需输入船只检测识别网络得到初步检测识别结果即可。本发明可基于如下虚警剔除算法，对初步检测结果进行优化，剔除虚警，从而提高检测精度。
步骤二、虚警剔除
包括如下步骤：
a1.SAR图像转换为伪光学图像
将SAR图像输入图像转换网络，将其转换为伪光学图像。本实施例中图像转换网络采用改进的pix2pix网络，改进的pix2pix网络包括生成器G和生成器F，其中生成器G用于将SAR图像转换为伪光学图像，生成器F用于将真实光学图像转换为伪SAR图像，并可基于生成器F对生成器G进行神经网络训练优化。
a2.进行图像分割
将上述步骤得到的伪光学图像输入分割网络。本发明采用U-net分割网络，根据伪光学图像得到分割结果。这里选择将伪光学图像分割为水域和陆地两类。
a3.删除虚假目标
在步骤一中得到的目标检测网络结果的基础上，通过导入分割网络得到的分割结果，来判断每一个船只目标的位置是在水域上还是在陆地上。通常船只只会出现在水域中，所以陆地区域内检出的船只目标都可认为是虚警，需要剔除所有陆地区域内的船只目标检测结果，仅保留位于水域中的船只目标检测结果，从而得到最终船只目标检测结果。
为了提高SAR图像船只目标检测精度，本方案在虚警剔除的基础上，进一步对图像转换网络进行优化，考虑到图像转换结果与船只目标检测结果息息相关，影响船只目标检测结果的精度，因此如何提高图像转换质量是关键。本实施例在常规pix2pix网络的基础上进行改进，在原网络的单个方向的生成器G的结构基础上，增加了一个方向相反的生成器F。原生成器G的功能是将SAR图像转换为光学图像，但是这种单向的转换即使投入大量的训练样本进行优化，也很难提高图像转换质量。通过增加的生成器F把真实光学图像转换为伪SAR图像，得到的伪SAR图像可以再次通过生成器G转换得到循环光学图像，一是增加了SAR图像的训练样本，可以更好地训练SAR图像到光学图像的生成器G，二是基于真实光学图像反向转换为伪SAR图像作为训练样本，更接近于实际数据，因而使生成器G具有更好的伪光学图像转换效果。
请参见图2所示，该改进的pix2pix网络需要SAR图像和真实光学图像的配对信息来进行训练。网络的具体结构如下：
SAR图像会通过生成器G转换为伪光学图像，转换网络计算伪光学图像与真实光学图像之间的L1损失，如图2中的虚线所示。伪光学图像与真实光学图像之间的L1损失如下式所示：
Lfake_OPT(G)＝Ex,y[‖y-G(x)‖1]
其中x代表SAR图像，G代表从SAR图像到光学图像转换的生成器，G(x)代表伪光学图像，y代表真实光学图像，||·||1代表求两个图像对应像素之间的差值的绝对值之和，Ex,y[·]代表对所有的图像对(x,y)计算上述的损失之后求期望，得到最终的损失。
在转换之后，伪光学图像和真实光学图像会被输入到负责判别光学图像真伪的判别器D中。这里可选择PatchGAN作为判别器。作为先验信息，与真实光学图像或伪光学图像配对的SAR图像也会被输入。根据判别器D判断的正确与否，得到真实光学图像或伪光学图像间的分类损失：
LcGAN_OPT(D)＝-Ex,y[log D(x,y)]-Ex[log(1-D(x,G(x)))]
其中D(x,y)代表将x,y输入判别器，得到判别结果；D(x,G(x))代表将x,G(x)输入判别器，得到判别结果。随后对所有图像对的判别结果取期望，得到光学图像间的分类损失。
需要说明的是，根据零和博弈的思想，判别器需要尽可能正确地判断输入的图像是真实的光学图像还是生成器生成的伪光学图像，与此同时生成器则需要尽可能生成真实的图像从而使判别器判断错误。根据判别器的分类结果可以对生成器和判别器进行训练，因此把这部分损失叫做分类损失。
对于判别器来说，因为y是真实图像，所以D(x,y)应该尽量为1；并且因为G(x)是伪光学图像，所以D(x,G(x))应该尽量为0。当分类正确时，LcGAN_OPT(D)会变小，反之则变大，从而指导判别器D进行训练。
对于生成器G来说，因为生成器的目标是让判别器判别错误，所以生成器G的判别损失如下：
LcGAN_OPT(G)＝-Ex[log(D(x,G(x)))]
与此同时，真实光学图像会通过另一个生成器F转换为伪SAR图像。转换网络计算伪SAR图像与SAR图像之间的L1损失，如图2中的虚线所示，公式如下所示：
Lfake_SAR(F)＝Ex,y[‖x-F(y)‖1]
其中F代表从光学图像到伪SAR图像转换的生成器。在转换之后，伪SAR图像和SAR图像会被输入到负责判别SAR图像真伪的判别器D中。这里的判别器与对光学图像进行判别的判别器可采用相同的判别器。作为先验信息，与SAR图像或伪SAR图像配对的真实光学图像也会被输入。根据判别器D判断的正确与否，得到伪SAR图像和SAR图像间的分类损失：
LcGAN_SAR(D)＝-Ex,y[log D(y,x)]-Ey[log(1-D(y,F(y)))]
与生成光学图像类似，对于生成器F来说，因为生成器的目标是让判别器判别错误，所以生成器F的判别损失如下：
LcGAN_SAR(F)＝-Ey[log(D(y,F(y)))]
生成器F生成的伪SAR图像会输入生成器G，输出得到循环光学图像。网络会计算循环光学图像和真实光学图像之间的循环L1损失，如图2中的虚线所示，公式如下所示：
Lcycle_OPT(G)＝Ex,y[‖y-G(F(y))‖1]
在转换之后，循环光学图像和真实光学图像会被输入到负责判别光学图像真伪的判别器D中。根据判别器D判断的正确与否，得到循环光学图像与真实光学图像间的分类损失：
LcGAN_cycle(D)＝-Ex,y[log D(x,y)]-Ex[log(1-D(x,G(F(y))))]
与前述生成器G的判别损失相似，循环光学图像对生成器G提供的判别损失如下：
LcGAN_cycle(G)＝-Ey[log(D(x,G(F(y))))]
综合上述过程，可得生成器G和生成器F各自总的损失分别如下所示：
L(G)＝LcGAN_OPT(G)+λL1Lfake_OPT(G)+λcycle(Lcycle_OPT(G)+λL1LcGAN_cycle(G))
L(F)＝LcGAN_SAR(F)+λL1Lfake_SAR(F)
其中λL1和λcycle均为可设置的超参数。
基于上述L1损失和分类损失，可计算得到生成器G和生成器F各自总的损失，进而可采用反向传播算法更新神经网络训练参数，以实现对生成器G的优化。
显然，本领域的技术人员应该明白，上述本发明的各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (8)

1.一种基于变换域信息融合的SAR图形船只目标检测方法，其特征在于，包括：
基于SAR图像得到初步船只检测结果；
将所述SAR图像转换为伪光学图像，将所述伪光学图像输入图像分割网络，得到分割结果，其中，所述将所述SAR图像转换为伪光学图像包括：将所述SAR图像输入图像转换网络进行转换得到所述伪光学图像，所述图像转换网络为改进的pix2pix网络，所述改进的pix2pix网络包括生成器G和生成器F，且所述生成器G和所述生成器F方向相反，所述生成器G用于将SAR图像转换为伪光学图像，所述生成器F用于将真实光学图像转换为伪SAR图像，并基于所述生成器F对所述生成器G进行神经网络训练优化；
根据所述分割结果对所述初步船只检测结果进行虚警剔除，得到最终船只检测结果，具体为：所述分割结果包括将所述伪光学图像分割为水域和陆地，将所述初步船只检测结果中位于陆地的船只目标剔除，保留位于水域中的船只目标检测结果，得到所述最终船只检测结果。
2.如权利要求1所述的基于变换域信息融合的SAR图形船只目标检测方法，其特征在于，所述基于SAR图像得到初步船只检测结果包括：
将所述SAR图像输入船只目标检测网络，得到所述初步船只检测结果。
3.如权利要求2所述的基于变换域信息融合的SAR图形船只目标检测方法，其特征在于，所述船只目标检测网络包括EfficientDet网络。
4.如权利要求1所述的基于变换域信息融合的SAR图形船只目标检测方法，其特征在于，所述图像分割网络采用U-net分割网络。
5.如权利要求1所述的基于变换域信息融合的SAR图形船只目标检测方法，其特征在于，所述基于所述生成器F对所述生成器G进行神经网络训练优化包括：
获取作为训练样本的SAR图像与对应的真实光学图像；
利用所述生成器G将所述作为训练样本的SAR图像转换为伪光学图像，利用所述生成器F将所述作为训练样本的真实光学图像转换为伪SAR图像，并利用所述生成器G将所述伪SAR图像转换为循环光学图像；
计算所述伪光学图像与所述真实光学图像之间的L1损失和分类损失；
计算所述循环伪光学图像与所述真实光学图像之间的L1损失和分类损失；
计算所述伪SAR图像与所述SAR图像之间的L1损失和分类损失；
基于上述L1损失和分类损失，调整神经网络训练参数，优化所述生成器G。
6.如权利要求5所述的基于变换域信息融合的SAR图形船只目标检测方法，其特征在于，所述伪光学图像与所述真实光学图像之间的L1损失和分类损失分别为：
Lfake_OPT(G)＝Ex，y[||y-G(x)||1]；
LcGAN_OPT(D)＝-Ex，y[logD(x，y)]-Ex[log(1-D(x，G(x)))]；
LcGAN_OPT(G)＝-Ex[log(D(x，G(x)))]；
所述Lfake _OPT(G)表示所述伪光学图像与所述真实光学图像之间的L1损失；所述LcGAN_OPT(D)表示对判别器D应用的分类损失；所述LcGAN_OPT(G)表示对生成器G应用的分类损失。
7.如权利要求5所述的基于变换域信息融合的SAR图形船只目标检测方法，其特征在于，所述循环伪光学图像与所述真实光学图像之间的L1损失和分类损失分别为：
Lcycle_OPT(G)＝Ex，y[||y-G(F(y))||1]；
LcGAN_cycle(D)＝-Ex，y[logD(x，y)]-Ex[log(1-D(x，G(F(y))))]；
LcGAN_cycle(G)＝-Ey[log(D(x，G(F(y))))]；
所述Lcycle_OPT(G)表示所述循环伪光学图像与所述真实光学图像之间的L1损失；所述LcGAN_cycle(D)表示对判别器D应用的分类损失；所述LcGAN_cycle(G)表示对生成器G应用的分类损失。
8.如权利要求5所述的基于变换域信息融合的SAR图形船只目标检测方法，其特征在于，所述伪SAR图像与所述SAR图像之间的L1损失和分类损失分别为：
Lfake_SAR(F)＝Ex，y[||x-F(y)||1]；
LcGAN_SAR(D)＝-Ex，y[logD(y，x)]-Ey[log(1-D(y，F(y)))]；
LcGAN_SAR(F)＝-Ey[log(D(y，F(y)))]；
所述Lfake_SAR(F)表示所述伪SAR图像与所述SAR图像之间的L1损失；所述LcGAN_SAR(D)表示对判别器D应用的分类损失；所述LcGAN_SAR(F)表示对生成器F应用的分类损失。
CN202110359459.0A 2021-04-02 2021-04-02 一种基于变换域信息融合的sar图形船只目标检测方法 Active CN112926534B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110359459.0A CN112926534B (zh) 2021-04-02 2021-04-02 一种基于变换域信息融合的sar图形船只目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110359459.0A CN112926534B (zh) 2021-04-02 2021-04-02 一种基于变换域信息融合的sar图形船只目标检测方法

Publications (2)

Publication Number Publication Date
CN112926534A CN112926534A (zh) 2021-06-08
CN112926534B true CN112926534B (zh) 2023-04-28

Family

ID=76173913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110359459.0A Active CN112926534B (zh) 2021-04-02 2021-04-02 一种基于变换域信息融合的sar图形船只目标检测方法

Country Status (1)

Country Link
CN (1) CN112926534B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554671A (zh) * 2021-06-23 2021-10-26 西安电子科技大学 基于轮廓增强的sar图像到可见光图像的转换方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564606A (zh) * 2018-03-30 2018-09-21 西安电子科技大学 基于图像转换的异源图像块匹配方法
CN108960086A (zh) * 2018-06-20 2018-12-07 电子科技大学 基于生成对抗网络正样本增强的多姿态人体目标跟踪方法
CN110738106A (zh) * 2019-09-05 2020-01-31 天津大学 一种基于fpga的光学遥感图像船舶检测方法
CN111201782A (zh) * 2017-10-19 2020-05-26 索尼公司 成像器件、图像处理装置、图像处理方法和程序
WO2020197239A1 (ko) * 2019-03-25 2020-10-01 한국과학기술원 뉴럴 네트워크를 이용한 결측 영상 데이터 대체 방법 및 그 장치
CN111833268A (zh) * 2020-07-10 2020-10-27 中国海洋大学 一种基于条件生成对抗网络的水下图像增强方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170016987A1 (en) * 2015-07-17 2017-01-19 Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of National Defence Processing synthetic aperture radar images for ship detection
US10825219B2 (en) * 2018-03-22 2020-11-03 Northeastern University Segmentation guided image generation with adversarial networks
CN110363215B (zh) * 2019-05-31 2020-07-28 中国矿业大学 基于生成式对抗网络的sar图像转化为光学图像的方法
CN110197517B (zh) * 2019-06-11 2023-01-31 常熟理工学院 基于多域循环一致性对抗生成网络的sar图像上色方法
CN110415224A (zh) * 2019-07-22 2019-11-05 北京金交信息通信导航设计院 一种海上船舶遥感监测系统及平台和方法
CN112395987B (zh) * 2020-11-18 2023-07-28 西安电子科技大学 基于无监督域适应cnn的sar图像目标检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111201782A (zh) * 2017-10-19 2020-05-26 索尼公司 成像器件、图像处理装置、图像处理方法和程序
CN108564606A (zh) * 2018-03-30 2018-09-21 西安电子科技大学 基于图像转换的异源图像块匹配方法
CN108960086A (zh) * 2018-06-20 2018-12-07 电子科技大学 基于生成对抗网络正样本增强的多姿态人体目标跟踪方法
WO2020197239A1 (ko) * 2019-03-25 2020-10-01 한국과학기술원 뉴럴 네트워크를 이용한 결측 영상 데이터 대체 방법 및 그 장치
CN110738106A (zh) * 2019-09-05 2020-01-31 天津大学 一种基于fpga的光学遥感图像船舶检测方法
CN111833268A (zh) * 2020-07-10 2020-10-27 中国海洋大学 一种基于条件生成对抗网络的水下图像增强方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
SAR Image Colorization Using Multidomain Cycle-Consistency Generative Adversarial Network;Guang Ji等;《 IEEE Geoscience and Remote Sensing Letters》;20200206;第18卷(第2期);296-300 *
SAR图像舰船目标检测与分类方法研究;何敬鲁;《中国博士学位论文全文数据库信息科技辑》;20200715(第7期);I136-59 *
基于深度学习的计算机断层扫描重建方法研究;郭恒;《中国优秀硕士学位论文全文数据库信息科技辑》;20200615(第6期);I138-884 *
基于生成式对抗网络的合成孔径雷达舰船数据增广在改进单次多盒检测器中的应用;杨龙等;《兵工学报》;20191231;第40卷(第12期);2488-2496 *
基于统计信息和区域合并的SAR图像分割算法研究;姚亚风;《中国优秀硕士学位论文全文数据库信息科技辑》;20190215(第2期);I136-1363 *
深度学习框架下的极化SAR影像信息表达与分类研究;王磊;《中国博士学位论文全文数据库信息科技辑》;20210315(第3期);I136-54 *
高分辨ISAR图像舰船目标提取方法研究;张洪利;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20210115(第1期);C036-315 *

Also Published As

Publication number Publication date
CN112926534A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
CN109636742B (zh) 基于对抗生成网络的sar图像和可见光图像的模式转换方法
CN111476159B (zh) 一种基于双角回归的检测模型训练、检测方法及装置
Qin et al. Optimizing the sediment classification of small side-scan sonar images based on deep learning
CN112926534B (zh) 一种基于变换域信息融合的sar图形船只目标检测方法
CN116612468A (zh) 基于多模态融合与深度注意力机制的三维目标检测方法
Zhu et al. Hierarchical attention for ship detection in SAR images
Rixon Fuchs et al. Deep learning based technique for enhanced sonar imaging
CN112330562A (zh) 一种异构遥感图像变换方法及系统
Yan et al. Scheme to implement moving target detection of coastal defense radar in complicated sea conditions
CN114972332B (zh) 一种基于图像超分辨率重建网络的竹集成材裂纹检测方法
CN116188944A (zh) 一种基于Swin-Transformer和多尺度特征融合的红外弱小目标检测方法
CN115223033A (zh) 一种合成孔径声呐图像目标分类方法及系统
CN115331078A (zh) 一种基于ESR-YOLOv5的光学遥感图像目标检测方法
Xie et al. Lightweight and anchor-free frame detection strategy based on improved CenterNet for multiscale ships in SAR images
Zhang et al. Ship-Go: SAR Ship Images Inpainting via instance-to-image Generative Diffusion Models
Xie et al. A Convolution Neural Network-based Method for Sea Ice Remote Sensing using GNSS-R Data
Gerg et al. A Perceptual Metric Prior on Deep Latent Space Improves Out-Of-Distribution Synthetic Aperture Sonar Image Classification
Maussang et al. Fusion of local statistical parameters for buried underwater mine detection in sonar imaging
Tang et al. Unbalanced Underwater Sonar Image Target Detection Based on Weak Contrast Feature Enhancement
Wu et al. Object-Enhanced YOLO Networks for Synthetic Aperture Radar Ship Detection
Wu et al. CTF-Net: A convolutional and transformer fusion network for SAR ship detection
Idicula et al. Real time SAR Ship Detection using novel SarNeDe method
Xi et al. Sonar Image Target Detection Based on Simulated Stain-like Noise and Shadow Enhancement in Optical Images under Zero-Shot Learning
CN112598722B (zh) 一种基于可变形卷积网络的图像立体匹配方法以及系统
CN117237430B (zh) 一种高精度多时序水深反演方法、计算设备及存储介质

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