CN114022778B - 一种基于显著性cnn的sar靠岸船只检测方法 - Google Patents
一种基于显著性cnn的sar靠岸船只检测方法 Download PDFInfo
- Publication number
- CN114022778B CN114022778B CN202111238183.7A CN202111238183A CN114022778B CN 114022778 B CN114022778 B CN 114022778B CN 202111238183 A CN202111238183 A CN 202111238183A CN 114022778 B CN114022778 B CN 114022778B
- Authority
- CN
- China
- Prior art keywords
- delta
- sar
- image
- cnn
- saliency
- 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
Links
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于显著性CNN的SAR靠岸船只检测方法，它是基于深度学习理论，首先使用视觉显著性机制对SAR图像进行预处理，处理得到一个场景注意力权重(即显著图)，然后将该显著图融合到原始SAR图像中，最终将带有场景注意的SAR图像输入到CNN网络，采用视觉显著性机制构建SAR靠岸船只检测模型，该模型可以重点关注到靠岸的船只，即在船只上的权重值较大，因此其可以抑制陆地上的背景干扰。同时，本发明采用精细化的显著性处理，可以得到和原始图像分辨率一致的显著图，可以避免特征损失，从而抑制岸边背景干扰并重点关注靠岸船只以提高检测准确性。
Description
技术领域
本发明属于合成孔径雷达(SAR)图像解译技术领域，涉及一种基于显著性CNN的SAR靠岸船只检测方法。
背景技术
合成孔径雷达(SAR)是一种先进的对地观测遥感工具，其能够全天时全天候的工作，十分适合气候多变的海洋观测。作为一种典型的海洋观测对象，船只是一种高价值的目标，对其进行监视，有助于海洋交通管理、海洋渔业管理、海难救援等。详见文献“张庆君,韩晓磊,刘杰.星载合成孔径雷达遥感技术进展及发展趋势[J].航天器工程,2017,26(06):1-8.”。
目前，使用SAR图像进行舰船检测已经受到广大学者的关注，因为它可以实现便捷的海洋交通管理，船只溢油监测，船只灾难救援等。SAR图像中的船只是重要的有价值的目标，尤其在国防军事领域，可以有效地保护国家海洋权益，为解决海洋争端提供一种有效的解决手段。特别地，SAR工作不受白昼、气候条件的影响，特别适用于变幻莫测的海洋环境，从而弥补了光学传感器的缺点。详见文献“孟凡超,鲍勇.合成孔径雷达在舰船目标高分辨监视和测绘中的应用[J].舰船科学技术,2018,40(22):157-159.”。
目前现有的SAR图像中船只检测技术多是传统的人工提取特征的方法，尽管在一些特定的卫星、场景、分辨率等条件下取得了良好的检测效果，但是在多卫星、多场景、多分辨率的迁移泛化中仍存在一定的困难，并且手工提取特征的过程也是相当耗时和比较麻烦的。此外，现有的基于CNN的方法在检测SAR图像中的靠岸舰船仍然有限。一方面，靠岸舰船容易受到岸边设施干扰，从而影响舰船特征提取效益；另一方面，靠岸舰船总是密集并排停放，导致船体交叠，这给检测带来更多的阻力。
因此，为了解决上述问题，本发明提出了一种基于显著性CNN的SAR靠岸船只检测方法。
发明内容
本发明属于合成孔径雷达(SAR)图像解译技术领域，本发明公开了一种基于显著性CNN的SAR靠岸船只检测方法，用来解决现有检测技术精度不足的问题。该方法基于深度学习理论，首先使用视觉显著性机制对SAR图像进行预处理，处理得到一个场景注意力权重(即显著图)，然后将该显著图融合到原始SAR图像中，最终将带有场景注意的SAR图像输入到CNN网络，从而抑制岸边背景干扰并重点关注靠岸船只以提高检测准确性。在公知的SAR船只数据集(即SSDD数据集)上的实验结果表明，与经典的SAR船只检测器相比，本发明可以有效提高SAR靠岸舰船检测精度。
为了方便描述本发明的内容，首先作以下术语定义：
定义1：SSDD数据集
SSDD数据集是指SAR船只检测数据集，英文全称为SAR Ship Detection Dataset，其可以用于训练深度学习模型,用于研究人员在这个统一的数据集去评价他们算法的性能。在SSDD数据集中,一共有1160幅图像和2456艘船只平均每幅图像有2.12艘船。后续根据任务需要会增加样本个数,扩充数据集。相比于有9000多幅图像、20类目标的PASCAL VOC数据集，SSDD足够大到可以对船只这一类目标进行训练检测器。SSDD数据集可从参考文献“李健伟,曲长文,彭书娟,邓兵.基于卷积神经网络的SAR图像舰船目标检测[J].系统工程与电子技术,2018,40(09):1953-1959.”中获得。
定义2：经典的视觉显著性机制
视觉显著性机制，就是当人眼观测一幅SAR图像时，如果图像中的某个区域能够吸引视觉注意，那么这个区域便具有显著性。本发明采用经典的视觉显著性机制对待检测的SAR图像进行预处理，相比于其他显著性检测方法，该方法避免了多次下采样操作，使用积分图像来进行显著特征提取，最终能够提供更加精细的特征图。经典的视觉显著性机制详见文献“S.Montabone,and A.Soto,“Human detection using a mobile platform andnovel features derived from a visual saliency mechanism,”Image and VisionComputing,vol.28,no.3,pp.391-402,2010.”。
定义3：经典的卷积神经网络
经典的卷积神经网络指一类包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量进行特征提取。近年来,卷积神经网络在计算机视觉、自然语言处理、语音识别等领域取得了突飞猛进的发展,其强大的特征学习能力引起了国内外专家学者广泛的关注。经典的卷积神经网络方法详见文献“张索非,冯烨,吴晓富.基于深度卷积神经网络的目标检测算法进展[J/OL].南京邮电大学学报(自然科学版),2019(05):1-9.https://doi.org/10.14132/j.cnki.1673-5439.2019.05.010.”。
定义4：经典的图像重采样
经典的图像重采样指在对采样后形成的由离散数据组成的数字图像按所需的像元位置或像元间距重新采样，以构成几何变换后的新图像。重采样过程本质上是图像恢复过程,它用输入的离散数字图像重建代表原始图像二维连续函数,再按新的像元间距和像元位置进行采样。其数学过程是根据重建的连续函数(曲面),用周围二像元点的值估计或内插出新采样点的值,相当于用采样函数与输入图像作二维卷积运算。经典的图像重采样方法详见文献“李心爱.图像滤波检测和重采样检测方法研究[D].西安理工大学,2017.”。
定义5：经典的Faster R-CNN算法
Faster R-CNN指R-CNN算法的第3版本，该版本在R-CNN和Fast R-CNN的基础上形成，Faster R-CNN采在Fast R-CNN基础上提出了RPN候选框生成算法，使得目标检测速度大大提高，同时其基本原理是采用两阶段检测器的基本思想，因此具有较高的检测精度，目前为现有技术中检测精度较优的方法。Faster R-CNN详见文献“S.Ren,et al.,“Faster R-CNN:Towards real-time object detection with region proposal networks,”arXiv:1506.01497.”。
定义6：经典的Adam算法
经典的Adam算法是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重。Adam算法和传统的随机梯度下降不同。随机梯度下降保持单一的学习率更新所有的权重，学习率在训练过程中并不会改变。而Adam通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率。详见文献“Kingma,D.；Ba,J.Adam:AMethod for Stochastic Optimization.arXiv 2014,arXiv:1412.6980.”。
定义7：标准的检测网络测试方法
标准的检测网络测试方法指在测试集上对检测模型进行最终测试，得到检测模型在测试集上的检测结果。详见文献“C.Lu,and W.Li,“Ship Classification in High-Resolution SAR Images via Transfer Learning with Small Training Dataset,”Sensors,vol.19,no.1,pp.63,2018.”。定义8：经典的评价指标计算方法
精确率Precision指在所有预测得到的正样本中，预测正确的数量。精确率Precision定义为
其中#表示数字，TP表示真正例，FP表示真负例；
召回率Recall指在所有的正样本中，预测正确的数量。召回率Recall定义为
其中#表示数字，TP表示真正例，FN表示假负例；
三级指标F1同时兼顾了精确率Precision和召回率Recall。三级指标F1定义为
其中Recall表示召回率，Precision表示精度；
以上参数数值的求法详见文献“李航.统计学习方法[M].北京:清华大学出版社,2012.”。
本发明提供了一种基于显著性CNN的SAR靠岸船只检测方法，它包括以下几个步骤：
步骤1、采用视觉显著性机制对SAR图像进行预处理
步骤1.1计算积分图像
采用公式
计算得到SAR图像的积分图像，记为I(x,y)，其中
表示x′≤x,y′≤y条件下的累加求和符号，其中x′表示SAR图像的像素横坐标，x表示积分图像的像素横坐标，y′表示SAR图像的像素纵坐标，y表示积分图像的像素纵坐标，i表示定义1中得到的公知的SSDD数据集中的SAR图像，i(x′,y′)表示SAR图像i中的坐标为(x′,y′)的像素，I(x,y)表示得到的最大像素坐标为(x,y)条件下的积分图像；
步骤1.2确定矩形区域
采用公式rectSum(x1,y1,x2,y2)＝I(x2,y2)-I(x1,y2)-I(x2,y1)+I(x1,y1)，计算得到矩形区域，记为rectSum(x1,y1,x2,y2)，其中I(x2,y2)表示步骤1.1中得到的最大像素坐标为(x2,y2)条件下的积分图像，I(x1,y2)表示步骤1.1中得到的最大像素坐标为(x1,y2)条件下的积分图像，I(x2,y1)表示步骤1.1中得到的最大像素坐标为(x2,y1)条件下的积分图像，I(x1,y1)表示步骤1.1中得到的最大像素坐标为(x1,y1)条件下的积分图像，rectSum(x1,y1,x2,y2)表示由坐标(x1,y1)(x2,y2)构成矩形条件下的矩形区域；
步骤1.3确定矩形区域周边
采用公式
计算得到矩形区域周边，记为surround(x,y)，其中δ表示邻域，rectSum(x-δ,y-δ,x+δ,y+δ)表示步骤1.2中得到的由坐标(x-δ,y-δ)(x+δ,y+δ)构成矩形条件下的矩形区域，i表示定义1中得到的公知SSDD数据集中的SAR图像，i(x,y)表示SAR图像i中的坐标为(x,y)的像素；
步骤1.4计算强度子图
采用公式IntOn,δ(x,y)＝max{i(x,y)-surround(x,y),δ}，计算得到中心邻域δ上的强度子图，记为IntOn,δ(x,y)，其中δ表示中心邻域δ，max{·}表示求最大值运算符号，i(x,y)表示SAR图像i中的坐标为(x,y)的像素，surround(x,y)表示步骤1.3中得到的矩形区域周边；
采用公式IntOff,δ(x,y)＝max{surround(x,y)-i(x,y),δ}，计算得到偏离中心邻域δ上的强度子图，记为IntOff,δ(x,y)，其中δ表示中心邻域δ，max{·}表示求最大值运算符号，i(x,y)表示SAR图像i中的坐标为(x,y)的像素，surround(x,y)表示步骤1.3中得到的矩形区域周边；
最终，得到中心邻域强度子图和偏离中心邻域强度子图，分别记为IntOn,δ(x,y)和IntOff,δ(x,y)；
步骤1.5计算显著图
采用公式
对步骤1.4中得到的中心邻域强度子图和偏离中心邻域强度子图进行计算，得到显著图，记为saliency(x,y)，其中δ表示中心邻域δ，
表示δ为自变量条件下的累加求和运算符号，IntOn,δ(x,y)表示步骤1.4中得到的中心邻域δ上的强度子图，IntOff,δ(x,y)表示步骤1.4中得到的偏离中心邻域δ上的强度子图；步骤2、对显著图进行场景加权处理
采用公式i′(x,y)＝i(x,y)·saliency(x,y)，计算得到场景加权后的SAR图像，记为i′(x,y)，其中i表示定义1中得到的公知的SSDD数据集中的SAR图像，i(x,y)表示SAR图像i中的坐标为(x,y)的像素，saliency(x,y)表示步骤1.5中得到的显著图；
至此，完成了SSDD数据集的显著性处理；
步骤3、准备数据集
采用步骤2得到显著性处理的SSDD数据集，记为SSDD_saliency，按照8:2的比例将SSDD_saliency数据集划分为两部分，得到训练集和测试集，训练集记为Train，测试集记为Test；
步骤4、建立船只检测模型
采用定义4中的经典的图像重采样的方法将步骤3中的Train进行重采样，得到长度和宽度均为512×512的新训练集，记为Train_Reszie；
将重采样后的新训练集Train_Reszie作为输入，采用定义5中的经典Faster R-CNN算法和定义6中的经典的Adam算法进行训练，训练完成后得到船只检测模型，记为saliency-CNN；
步骤5、测试船只检测模型
采用定义4中的经典的图像重采样的方法将步骤3中的Test进行重采样，得到长度和宽度均为512×512的新测试集，记为Test_Reszie；
将重采样后的新测试集Test_Reszie作为输入，在步骤4中得到的船只检测模型saliency-CNN上采用定义7中的标准的检测网络测试方法进行测试，得到测试集在船只检测模型的测试结果，记为Result；
步骤6、评估船只检测模型
以步骤7中得到的船只检测模型的测试结果Result作为输入，采用定义8中的经典的评价指标计算方法，求出精确率，召回率和三级指标，分别记为Precision,Rcall和F1；
至此，整个方法结束。
本发明的创新点在于使用视觉显著性机制构建SAR靠岸船只检测模型，该模型可以重点关注到靠岸的船只，即在船只上的权重值较大，因此其可以抑制陆地上的背景干扰。同时，本发明采用精细化的显著性处理，可以得到和原始图像分辨率一致的显著图，这可以避免特征损失，F1分数为91.05％(F1表示整体评价指标)。
本发明的优点在于能够实现精确的SAR靠岸船只检测，克服现有技术检测精度不足的问题。
附图说明
图1为本发明中的SAR靠岸船只检测方法的流程示意图。
图2为本发明中的SAR靠岸船只检测方法的精确率，召回率和三级指标。
具体实施方式
下面结合附图1对本发明的作进一步详细描述。
步骤1、采用视觉显著性机制对SAR图像进行预处理
步骤1.1计算积分图像
如图1所示，采用公式
计算得到SAR图像的积分图像，记为I(x,y)，其中
表示x′≤x,y′≤y条件下的累加求和符号，其中x′表示SAR图像的像素横坐标，x表示积分图像的像素横坐标，y′表示SAR图像的像素纵坐标，y表示积分图像的像素纵坐标，i表示定义1中得到的公知的SSDD数据集中的SAR图像，i(x′,y′)表示SAR图像i中的坐标为(x′,y′)的像素，I(x,y)表示得到的最大像素坐标为(x,y)条件下的积分图像；
步骤1.2确定矩形区域
如图1所示，采用公式rectSum(x1,y1,x2,y2)＝I(x2,y2)-I(x1,y2)-I(x2,y1)+I(x1,y1)，计算得到矩形区域，记为rectSum(x1,y1,x2,y2)，其中I(x2,y2)表示步骤1.1中得到的最大像素坐标为(x2,y2)条件下的积分图像，I(x1,y2)表示步骤1.1中得到的最大像素坐标为(x1,y2)条件下的积分图像，I(x2,y1)表示步骤1.1中得到的最大像素坐标为(x2,y1)条件下的积分图像，I(x1,y1)表示步骤1.1中得到的最大像素坐标为(x1,y1)条件下的积分图像，rectSum(x1,y1,x2,y2)表示由坐标(x1,y1)(x2,y2)构成矩形条件下的矩形区域；
步骤1.3确定矩形区域周边
如图1所示，采用公式
计算得到矩形区域周边，记为surround(x,y)，其中δ表示邻域，rectSum(x-δ,y-δ,x+δ,y+δ)表示步骤1.2中得到的由坐标(x-δ,y-δ)(x+δ,y+δ)构成矩形条件下的矩形区域，i表示定义1中得到的公知的SSDD数据集中的SAR图像，i(x,y)表示SAR图像i中的坐标为(x,y)的像素；
步骤1.4计算强度子图
如图1所示，采用公式IntOn,δ(x,y)＝max{i(x,y)-surround(x,y),δ}，计算得到中心邻域δ上的强度子图，记为IntOn,δ(x,y)，其中δ表示中心邻域δ，max{·}表示求最大值运算符号，i(x,y)表示SAR图像i中的坐标为(x,y)的像素，surround(x,y)表示步骤1.3中得到的矩形区域周边；
采用公式IntOff,δ(x,y)＝max{surround(x,y)-i(x,y),δ}，计算得到偏离中心邻域δ上的强度子图，记为IntOff,δ(x,y)，其中δ表示中心邻域δ，max{·}表示求最大值运算符号，i(x,y)表示SAR图像i中的坐标为(x,y)的像素，surround(x,y)表示步骤1.3中得到的矩形区域周边；
最终，得到中心邻域强度子图和偏离中心邻域强度子图，分别记为IntOn,δ(x,y)和IntOff,δ(x,y)；
步骤1.5计算显著图
如图1所示，采用公式
对步骤1.4中得到的中心邻域强度子图和偏离中心邻域强度子图进行计算，得到显著图，记为saliency(x,y)，其中δ表示中心邻域δ，
表示δ为自变量条件下的累加求和运算符号，IntOn,δ(x,y)表示步骤1.4中得到的中心邻域δ上的强度子图，IntOff,δ(x,y)表示步骤1.4中得到的偏离中心邻域δ上的强度子图；
步骤2、对显著图进行场景加权处理
如图1所示，采用公式i′(x,y)＝i(x,y)·saliency(x,y)，计算得到场景加权后的SAR图像，记为i′(x,y)，其中i表示定义1中得到的公知的SSDD数据集中的SAR图像，i(x,y)表示SAR图像i中的坐标为(x,y)的像素，saliency(x,y)表示步骤1.5中得到的显著图；
至此，完成了SSDD数据集的显著性处理；
步骤3、准备数据集
如图1所示，采用步骤2得到显著性处理的SSDD数据集，记为SSDD_saliency，按照8:2的比例将SSDD_saliency数据集划分为两部分，得到训练集和测试集，训练集记为Train，测试集记为Test；
步骤4、建立船只检测模型
如图1所示，采用定义4中的经典的图像重采样的方法将步骤3中的Train进行重采样，得到长度和宽度均为512×512的新训练集，记为Train_Reszie；
将重采样后的新训练集Train_Reszie作为输入，在定义5中的Faster R-CNN算法上采用定义6中的经典的Adam算法进行训练，训练完成后得到船只检测模型，记为saliency-CNN；
步骤5、测试船只检测模型
如图1所示，采用定义4中的经典的图像重采样的方法将步骤3中的Test进行重采样，得到长度和宽度均为512×512的新测试集，记为Test_Reszie；
将重采样后的新测试集Test_Reszie作为输入，在步骤4中得到的船只检测模型saliency-CNN上采用定义7中的标准的检测网络测试方法进行测试，得到测试集在船只检测模型的测试结果，记为Result；
步骤6、评估船只检测模型
如图1所示，以步骤7中得到的船只检测模型的测试结果Result作为输入，采用定义8中的经典的评价指标计算方法，求出精确率，召回率和三级指标，分别记为Precision,Rcall和F1；
至此，整个方法结束。
如图2所示，在公知的SAR船只数据集(即SSDD数据集)上的实验结果表明，本发明实现了比现有技术中定义5中的Faster R-CNN更高的精确率，召回率和三级指标，表明本发明能够实现高精度的SAR靠岸船只检测。
Claims (1)
1.一种基于显著性CNN的SAR靠岸船只检测方法，其特征是它包括以下几个步骤：
步骤1、采用视觉显著性机制对SAR图像进行预处理
步骤1.1计算积分图像
采用公式计算得到SAR图像的积分图像，记为I(x,y)，其中表示x′≤x,y′≤y条件下的累加求和符号，其中x′表示SAR图像的像素横坐标，x表示积分图像的像素横坐标，y′表示SAR图像的像素纵坐标，y表示积分图像的像素纵坐标，i表示得到的公知的SSDD数据集中的SAR图像，i(x′,y′)表示SAR图像i中的坐标为(x′,y′)的像素，I(x,y)表示得到的最大像素坐标为(x,y)条件下的积分图像；
步骤1.2确定矩形区域
采用公式rectSum(x1,y1,x2,y2)＝I(x2,y2)-I(x1,y2)-I(x2,y1)+I(x1,y1)，计算得到矩形区域，记为rectSum(x1,y1,x2,y2)，其中I(x2,y2)表示步骤1.1中得到的最大像素坐标为(x2,y2)条件下的积分图像，I(x1,y2)表示步骤1.1中得到的最大像素坐标为(x1,y2)条件下的积分图像，I(x2,y1)表示步骤1.1中得到的最大像素坐标为(x2,y1)条件下的积分图像，I(x1,y1)表示步骤1.1中得到的最大像素坐标为(x1,y1)条件下的积分图像，rectSum(x1,y1,x2,y2)表示由坐标(x1,y1)(x2,y2)构成矩形条件下的矩形区域；
步骤1.3确定矩形区域周边
采用公式计算得到矩形区域周边，记为surround(x,y)，其中δ表示邻域，rectSum(x-δ,y-δ,x+δ,y+δ)表示步骤1.2中得到的由坐标(x-δ,y-δ)(x+δ,y+δ)构成矩形条件下的矩形区域，i表示公知SSDD数据集中的SAR图像，i(x,y)表示SAR图像i中的坐标为(x,y)的像素；
步骤1.4计算强度子图
采用公式IntOn,δ(x,y)＝max{i(x,y)-surround(x,y),δ}，计算得到中心邻域δ上的强度子图，记为IntOn,δ(x,y)，其中δ表示中心邻域δ，max{·}表示求最大值运算符号，i(x,y)表示SAR图像i中的坐标为(x,y)的像素，surround(x,y)表示步骤1.3中得到的矩形区域周边；
采用公式IntOff,δ(x,y)＝max{surround(x,y)-i(x,y),δ}，计算得到偏离中心邻域δ上的强度子图，记为IntOff,δ(x,y)，其中δ表示中心邻域δ，max{·}表示求最大值运算符号，i(x,y)表示SAR图像i中的坐标为(x,y)的像素，surround(x,y)表示步骤1.3中得到的矩形区域周边；
最终，得到中心邻域强度子图和偏离中心邻域强度子图，分别记为IntOn,δ(x,y)和IntOff,δ(x,y)；
步骤1.5计算显著图
采用公式对步骤1.4中得到的中心邻域强度子图和偏离中心邻域强度子图进行计算，得到显著图，记为saliency(x,y)，其中δ表示中心邻域δ，表示δ为自变量条件下的累加求和运算符号，IntOn,δ(x,y)表示步骤1.4中得到的中心邻域δ上的强度子图，IntOff,δ(x,y)表示步骤1.4中得到的偏离中心邻域δ上的强度子图；
步骤2、对显著图进行场景加权处理
采用公式i′(x,y)＝i(x,y)·saliency(x,y)，计算得到场景加权后的SAR图像，记为i′(x,y)，其中i表示公知的SSDD数据集中的SAR图像，i(x,y)表示SAR图像i中的坐标为(x,y)的像素，saliency(x,y)表示步骤1.5中得到的显著图；
至此，完成了SSDD数据集的显著性处理；
步骤3、准备数据集
采用步骤2得到显著性处理的SSDD数据集，记为SSDD_saliency，按照8:2的比例将SSDD_saliency数据集划分为两部分，得到训练集和测试集，训练集记为Train，测试集记为Test；
步骤4、建立船只检测模型
采用经典的图像重采样的方法将步骤3中的Train进行重采样，得到长度和宽度均为512×512的新训练集，记为Train_Reszie；
将重采样后的新训练集Train_Reszie作为输入，采用经典的Faster R-CNN算法和经典的Adam算法进行训练，训练完成后得到船只检测模型，记为saliency-CNN；
步骤5、测试船只检测模型
采用经典的图像重采样的方法将步骤3中的Test进行重采样，得到长度和宽度均为512×512的新测试集，记为Test_Reszie；
将重采样后的新测试集Test_Reszie作为输入，在步骤4中得到的船只检测模型saliency-CNN上采用标准的检测网络测试方法进行测试，得到测试集在船只检测模型的测试结果，记为Result；
步骤6、评估船只检测模型
以步骤5中得到的船只检测模型的测试结果Result作为输入，采用经典的评价指标计算方法，求出精确率，召回率和三级指标，分别记为Precision,Rcall和F1；
至此，整个方法结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111238183.7A CN114022778B (zh) | 2021-10-25 | 2021-10-25 | 一种基于显著性cnn的sar靠岸船只检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111238183.7A CN114022778B (zh) | 2021-10-25 | 2021-10-25 | 一种基于显著性cnn的sar靠岸船只检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114022778A CN114022778A (zh) | 2022-02-08 |
| CN114022778B true CN114022778B (zh) | 2023-04-07 |
Family
ID=80057328
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111238183.7A Active CN114022778B (zh) | 2021-10-25 | 2021-10-25 | 一种基于显著性cnn的sar靠岸船只检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114022778B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886285A (zh) * | 2014-03-11 | 2014-06-25 | 武汉大学 | 先验地理信息辅助下的光学遥感影像舰船检测方法 |
| CN107274419A (zh) * | 2017-07-10 | 2017-10-20 | 北京工业大学 | 一种基于全局先验和局部上下文的深度学习显著性检测方法 |
| CN111209919A (zh) * | 2020-01-06 | 2020-05-29 | 上海海事大学 | 一种海上船舶显著性检测方法及系统 |
| WO2020107717A1 (zh) * | 2018-11-30 | 2020-06-04 | 长沙理工大学 | 视觉显著性区域检测方法及装置 |
| CN111797717A (zh) * | 2020-06-17 | 2020-10-20 | 电子科技大学 | 一种高速高精度的sar图像船只检测方法 |
| CN112285712A (zh) * | 2020-10-15 | 2021-01-29 | 电子科技大学 | 一种提高sar图像中靠岸船只检测精度的方法 |
| CN112784757A (zh) * | 2021-01-25 | 2021-05-11 | 哈尔滨工业大学 | 海上sar舰船目标显著性检测与识别方法 |
| CN113111878A (zh) * | 2021-04-30 | 2021-07-13 | 中北大学 | 一种复杂背景下的红外弱小目标检测方法 |
| CN113469088A (zh) * | 2021-07-08 | 2021-10-01 | 西安电子科技大学 | 一种无源干扰场景下的sar图像舰船目标检测方法及系统 |
-
2021
- 2021-10-25 CN CN202111238183.7A patent/CN114022778B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886285A (zh) * | 2014-03-11 | 2014-06-25 | 武汉大学 | 先验地理信息辅助下的光学遥感影像舰船检测方法 |
| CN107274419A (zh) * | 2017-07-10 | 2017-10-20 | 北京工业大学 | 一种基于全局先验和局部上下文的深度学习显著性检测方法 |
| WO2020107717A1 (zh) * | 2018-11-30 | 2020-06-04 | 长沙理工大学 | 视觉显著性区域检测方法及装置 |
| CN111209919A (zh) * | 2020-01-06 | 2020-05-29 | 上海海事大学 | 一种海上船舶显著性检测方法及系统 |
| CN111797717A (zh) * | 2020-06-17 | 2020-10-20 | 电子科技大学 | 一种高速高精度的sar图像船只检测方法 |
| CN112285712A (zh) * | 2020-10-15 | 2021-01-29 | 电子科技大学 | 一种提高sar图像中靠岸船只检测精度的方法 |
| CN112784757A (zh) * | 2021-01-25 | 2021-05-11 | 哈尔滨工业大学 | 海上sar舰船目标显著性检测与识别方法 |
| CN113111878A (zh) * | 2021-04-30 | 2021-07-13 | 中北大学 | 一种复杂背景下的红外弱小目标检测方法 |
| CN113469088A (zh) * | 2021-07-08 | 2021-10-01 | 西安电子科技大学 | 一种无源干扰场景下的sar图像舰船目标检测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| Zhenfeng Shao 等.IEEE Transactions on Circuits and Systems for Video Technology.IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY .2019,第30卷(第3期),781-794. * |
| 张晓玲 等.基于深度分离卷积神经网络的高速高精度SAR舰船检测.雷达学报.2019,第8卷(第6期),841-851. * |
| 田雨萌 等.基于Mask R-CNN网络的SAR图像舰船检测. 第十四届全国信号和智能信息处理与应用学术会议.2021,195-200. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114022778A (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109766811B (zh) | 一种星载sar图像中海面船只的端到端检测与识别方法 | |
| JP6759474B2 (ja) | 深層学習ネットワーク及び平均シフトに基づく船舶自動追跡方法及びシステム | |
| CN110232350B (zh) | 一种基于在线学习的实时水面多运动目标检测跟踪方法 | |
| CN107818326A (zh) | 一种基于场景多维特征的船只检测方法及系统 | |
| CN107016677A (zh) | 一种基于fcn和cnn的云图分割方法 | |
| CN111079739B (zh) | 一种多尺度注意力特征检测方法 | |
| CN110826428A (zh) | 一种高速的sar图像中船只检测方法 | |
| CN109359661B (zh) | 一种基于卷积神经网络的Sentinel-1雷达图像分类方法 | |
| CN113643284B (zh) | 基于卷积神经网络的极化合成孔径雷达图像舰船检测方法 | |
| CN102867196A (zh) | 基于Gist特征学习的复杂海面遥感影像舰船检测方法 | |
| CN110991257B (zh) | 基于特征融合与svm的极化sar溢油检测方法 | |
| CN112115911A (zh) | 一种基于深度学习的轻量型sar图像目标检测方法 | |
| CN113705331A (zh) | 一种基于四元特征金字塔网络的sar船只检测方法 | |
| Donini et al. | A deep learning architecture for semantic segmentation of radar sounder data | |
| CN111624606A (zh) | 一种雷达图像降雨识别方法 | |
| CN115082809A (zh) | 一种基于遥感影像大数据的潮滩演变监测新方法 | |
| CN112560719A (zh) | 基于多尺度卷积-多核池化的高分辨率影像水体提取方法 | |
| CN117788296B (zh) | 基于异构组合深度网络的红外遥感图像超分辨率重建方法 | |
| CN118279763A (zh) | 一种海冰监测方法、系统、设备、存储介质和计算机程序产品 | |
| Yaohua et al. | A SAR oil spill image recognition method based on densenet convolutional neural network | |
| CN113989672B (zh) | 一种基于平衡学习的sar图像船只检测方法 | |
| CN114742206A (zh) | 综合多时空尺度多普勒雷达数据的降雨强度估计方法 | |
| CN112434590B (zh) | 一种基于小波变换的sar影像风条纹识别方法 | |
| CN111967292B (zh) | 一种轻量级的sar图像船只检测方法 | |
| CN114022778B (zh) | 一种基于显著性cnn的sar靠岸船只检测方法 |
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 |