AIR-SARShip-1.0:高分辨率SAR舰船检测数据集

近年来,深度学习技术得到广泛应用,然而在合成孔径雷达(SAR)舰船目标检测研究中,由于数据获取难、样本规模小,尚难以支撑深度网络模型的训练。该文公开了一个面向高分辨率、大尺寸场景的SAR舰船检测数据集,该数据集包含31景高分三号SAR图像,场景类型包含港口、岛礁、不同级别海况的海面等,背景涵盖近岸和远海等多样场景。同时,该文使用经典舰船检测算法和深度学习算法进行了实验,其中基于密集连接端到端网络方法效果最佳,平均精度达到88.1%。通过实验对比分析形成指标基准,方便其他学者在此数据集基础上进一步展开SAR舰船检测相关研究。      

SAR图像舰船目标检测数据集构建研究综述

算法和数据是影响深度学习技术发展的两大关键因素,大多数学者专注于算法的改进和开拓,仅有少部分学者致力于数据的研究.构建合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船数据集是SAR舰船目标检测项目的第一步,也是星载SAR图像实际工程应用的基础.分析了影响SAR舰船目标检测性能的关键因素,阐述了SAR舰船数据集的构建方法,概述了TerraSAR-X、"哨兵"1号(Sentinel-1)和高分三号(GF-3)三种SAR图像数据源,并对几种公开的SAR舰船数据集进行梳理与分析,总结了各数据集的发展历程,最后指出构建SAR图像舰船数据集仍需考虑的几个方面.     

SAR-AIRcraft-1.0：高分辨率SAR飞机检测识别数据集

针对合成孔径雷达(SAR)图像中飞机散射点离散以及背景强干扰造成虚警的问题,该文提出了一种结合散射感知的SAR飞机检测识别方法。一方面,通过上下文引导的特征金字塔模块来增强全局信息,减弱复杂场景中强干扰的影响,提高检测识别的准确率。另一方面,利用散射关键点对目标进行定位,设计散射感知检测模块实现对回归框的细化校正,增强目标的定位精度。为了验证方法有效性、同时促进SAR飞机检测识别领域的研究发展,该文制作并公开了一个高分辨率SAR-AIRcraft-1.0数据集。该数据集图像来自高分三号卫星,包含4,368张图片和16,463个飞机目标实例,涵盖A220, A320/321, A330, ARJ21, Boeing737, Boeing787和other共7个类别。该文将提出的方法和常见深度学习算法在构建的数据集上进行实验,实验结果证明了散射感知方法的优异性能,并且形成了该数据集在SAR飞机检测、细粒度识别、检测识别一体化等不同任务中性能指标的基准。     

基于YOLOX网络的SAR图像舰船目标检测

针对SAR图像舰船目标尺寸大小不一、舰船分布密集、背景复杂等问题,本文提出一种改进YOLOX网络并用于SAR图像舰船目标检测。该网络包括主干特征提取网络、加强特征提取网络、解耦头、预测框优化及损失计算等4个部分。与常规YOLOX网络相比,本文作了如下改进：首先,在主干特征提取网络中,3个基础特征层之后都添加了CA模块;在加强特征提取网络中,两处下采样之后也都添加了CA模块。以强化对SAR图像中重要区域的特征提取。其次,在框回归损失函数中,引入CIOU替代IOU,以更好地利用预测框和真实框之间的相对位置信息和形状信息,提升预测框回归精度。本文基于AIR-SARSHIP-2.0数据集进行了大量的舰船目标检测实验,并选择了Faster-RCNN、YOLOv3和常规YOLOX等3种网络与本文的改进YOLOX网络进行对比。实验结果表明,本文的改进YOLOX网络整体性能优于其他3种对比网络,有更少的虚警和漏警、更高的检测精度。     

改进YOLOv3的SAR图像舰船目标检测

针对目标检测算法直接应用于SAR图像舰船检测数据集时数据训练不充分、鲁棒性差等问题,本文提出了一种改进YOLOv3的SAR图像舰船目标检测方法,从改进网络训练策略的角度出发,提升算法对不同舰船目标的适应性,优化算法的检测性能。改进主要包括两个方面:一方面本文在YOLOv3的基础上引入了ATSS（Adaptive Training Sample Selection）正负样本的分配方法,提高YOLOv3中正负样本选择的质量,优化网络训练。另一方面本文设计了基于特征层的锚框超参数优化方法,使锚框更加贴合各检测层数据集样本分布,从而使训练模型更好的收敛。本文分别在SSDD、SAR-Ship-Dataset数据集上进行了实验,验证了其有效性。      

上下文信息融合与分支交互的SAR图像舰船无锚框检测

SAR图像中舰船目标稀疏分布、锚框的设计,对现有基于锚框的SAR图像目标检测方法的精度和泛化性有较大影响,因此该文提出一种上下文信息融合与分支交互的SAR图像舰船目标无锚框检测方法,命名为CI-Net。考虑到SAR图中舰船尺度的多样性,在特征提取阶段设计上下文融合模块,以自底向上的方式融合高低层信息,结合目标上下文信息,细化提取到的待检测特征;其次,针对复杂场景中目标定位准确性不足的问题,提出分支交互模块,在检测阶段利用分类分支优化回归分支的检测框,改善目标定位框的精准性,同时将新增的IOU分支作用于分类分支,提高检测网络分类置信度,抑制低质量的检测框。实验结果表明：在公开的SSDD和SAR-Ship-Dataset数据集上,该文方法均取得了较好的检测效果,平均精度(AP)分别达到92.56%和88.32%,与其他SAR图舰船检测方法相比,该文方法不仅在精度上表现优异,在摒弃了与锚框有关的复杂计算后,较快的检测速度,对SAR图像实时目标检测也有一定的现实意义。     

基于SAR实测数据的舰船成像研究

该文基于机载SAR实测数据,对舰船目标成像进行了研究。SAR成像是针对静止目标,舰船目标表现在SAR图像上是散焦的。基于舰船目标的非合作性,可采用ISAR的方法对其进行成像处理,以得到高分辨的舰船图像。该文介绍了如何从SAR实测数据中提取出舰船目标的回波数据,并讨论了对舰船成像比较有效的ISAR运动补偿方法。最后给出了多艘典型舰船的清晰成像结果。该文提供了机载雷达SAR模式工作时对舰船成像的有效处理方法。     

自选择混合分布模型的CFAR用于SAR图像舰船检测

为了解决恒虚警率检测算法（CFAR检测）在合成孔径雷达图像舰船检测中,用已有分布建模,不能应对所有的场景,对于一些复杂场景建模拟合效果不理想的问题,本文使用一种自选择混合分布的CFAR检测方法:首先,对图像进行预处理,减少目标像素对海杂波的影响;其次,利用学习出来的混合分布模型对预处理后的每一块图像进行建模,计算全局阈值,并根据阈值把图像像素分为目标和背景杂波;然后,为防止漏检,重新对场景像素进行建模、检测,重复此过程直到背景杂波中检测不到目标为止;最后加入后处理,减少虚警的产生。这一方法不仅能得到更好的海杂波模型,同时还能提取舰船的更多细节,实验结果证明了这一方法的有效性。      

基于视觉显著性的SAR遥感图像NanoDet舰船检测方法

在合成孔径雷达遥感图像中,舰船由金属材质构成,后向散射强;海面平滑,后向散射弱,因此舰船是海面背景下的视觉显著目标。然而,SAR遥感影像幅宽大、海面背景复杂,且不同舰船目标特征差异大,导致舰船快速准确检测困难。为此,该文提出一种基于视觉显著性的SAR遥感图像NanoDet舰船检测方法。该方法首先通过自动聚类算法划分图像样本为不同场景类别;其次,针对不同场景下的图像进行差异化的显著性检测;最后,使用优化后的轻量化网络模型NanoDet对加入显著性图的训练样本进行特征学习,使系统模型能够实现快速和高精确度的舰船检测效果。该方法对SAR图像应用实时性具有一定的帮助,且其轻量化模型利于未来实现硬件移植。该文利用公开数据集SSDD和AIR-SARship-2.0进行实验验证,体现了该算法的有效性。      

基于深度学习的SAR图像舰船目标检测综述

近年来,合成孔径雷达成像技术因具备全天时和全天候的目标感测能力,在海洋实时监测和管控等领域发挥着重要作用,特别是高分率SAR图像中的舰船目标检测成为当前的研究热点之一.首先分析基于深度学习的SAR图像舰船目标检测流程,并对样本训练数据集的构建、目标特征的提取和目标框选的设计等关键步骤进行归纳总结.然后对检测流程中的各部...     

基于改进RetinaNet的SAR图像目标检测方法

近年来,深度学习方法在合成孔径雷达(SAR)图像目标检测中得到了广泛的应用.船舶出现在近海、港口、岛礁、远洋等各种场景中,同时海洋环境复杂多变,使得船舶目标检测很难排除混乱背景的干扰.对于大纵横比、任意方向、密集分布的目标,精确定位变得更加复杂.本文基于深度学习的方法提出用于SAR图像目标检测的改进RetinaNet模...     

SAR图像舰船检测的神经网络关联剪枝方法

合成孔径雷达（Synthetic Aperture Radar, SAR）由于其具备全天时、全天候的工作特点,使其在海洋环境监测、海洋资源调查和海洋防灾减灾等领域得到了广泛的应用。其中,基于SAR图像的舰船目标检测是SAR图像处理中的重要部分,其在军用和民用领域均具有重要的意义。本文针对基于深度学习实现的SAR图像目标检测算法参数计算量大、内存占用率高的问题提出了关联剪枝方法。该方法通过对网络进行改进,将相关联的卷积同时进行剪枝,并在训练结束后统一映射到低维度上以实现剪枝操作。通过在SSDD、SAR?Ship?Data?set和HRSID上进行实验,可以在保证平均精度（AP50）下降小于2%的前提下,针对FCOS网络实现70%以上的剪枝率,验证了所提方法的有效性。     

改进的SAR图像双参数CFAR舰船检测算法

双参数CFAR检测中设置了目标窗口、保护窗口和背景窗口3个窗口,并且窗口的大小,滑动步长都要进行经验训练得到,效率低,对距离很近的舰船SAR图像会产生漏检。针对这些不足, 该文提出了一种改进的双参数CFAR检测算法,该算法只取目标窗口和背景窗口,通过把泄露到背景窗口中的舰船部分去除并对背景窗口中的剩余部分进行均值和方差估计来检测舰船,并且将窗口滑动步长取为目标窗口尺寸。相对双参数CFAR算法,结构得到了简化,检测结果的虚警率减小, 对距离很近的舰船不会产生漏检, 计算效率得到了改善。仿真结果表明了方法的有效性。     

一种SAR图象舰船尾迹的CFAR检测方法

提出一种基于邻近象素求和的合成孔径雷达(SAR)海面图象舰船尾迹的恒虚警率(CFAR)检测方法(简称APS方法).该方法的关键是用"邻近象素求和"方法实现子图象的Radon变换,在变换域依概率模型进行统计假设检验,并最终实现CFAR检测.文中仿真和实际SAR图象试验的结果表明该算法是有效的.     

FCOSR:一种无锚框的SAR图像任意朝向船舶目标检测网络

以FCOS为代表的无锚框网络避免了预设锚框带来的超参设定问题,然而其水平框的输出结果无法指示任意朝向下SAR船舶目标的精确边界和朝向。针对此问题,该文提出了一种名为FCOSR的检测算法。首先在FCOS回归分支中添加角度参量使其输出旋转框结果。其次,引入基于可形变卷积的9点特征参与船舶置信度和边界框残差值的预测来降低陆地虚警并提升边界框回归精度。最后,在训练阶段使用旋转自适应样本选择策略为每个船舶样本分配合适的正样本点,实现网络检测精度的提高。相较于FCOS以及目前已公开发表的锚框旋转检测网络,该网络在SSDD+和HRSID数据集上表现出更快的检测速率和更高的检测精度,mAP分别为91.7%和84.3%,影像切片平均检测时间仅需33 ms。      

SAR图像港口区域舰船检测新方法

SAR图像港口内舰船检测是SAR图像海洋应用研究的重要方面。快速、准确地检测港口内舰船将大大提高SAR图像的自动解译能力。该文通过分析港口内舰船停靠特点,提出了一种新的SAR图像港口内舰船检测方法。首先基于港口岸线获取港口沿岸区域SAR图像,然后详细分析了港口沿岸区域SAR图像的杂波统计特性,进而采用基于G0分布的CFAR(Constant False Alarm Rate)检测算法完成了港口内舰船检测。实验结果表明,新方法能有效地将不同形状的港口区域的舰船与绝大部分陆地分开,具有港口内舰船检测率高、虚警率低等特点。     

面向舰船目标检测的单通道复值SAR图像统计建模方法研究

合成孔径雷达(SAR)成像模式丰富、覆盖范围广、分辨率高，可以长期、动态、宏观地对海洋进行监测。在完全发展的相干斑假设条件下，传统单通道SAR图像舰船目标检测方法主要研究幅度信息。然而，其部分假设条件在高分辨率情形下并非严格成立，因此无法有效利用单通道SAR图像的相位或复值信息。该文面向舰船目标检测应用，将单通道复值SAR图像统计建模方法划分为幅度、相位和复值统计建模3个部分，首先简要综述了单通道SAR图像幅度统计建模方法，然后详细阐述了单通道SAR图像相位和复值统计建模方法，并重点介绍了其建模过程和参数估计方法。在此基础上，该文给出了作者研究小组在基于复值统计信息的单通道SAR图像舰船目标检测方面的部分最新研究结果，并分析展望了下一步研究方向。