多尺度特征融合与特征通道关系校准的SAR图像船舶检测

目前深度学习技术在SAR图像的船舶检测中已取得显著的成果,但针对SAR船舶图像中复杂多变的背景环境,如何准确高效地提取目标特征,提升检测精度与检测速度仍存在着巨大的挑战。针对上述问题,该文提出了一种多尺度特征融合与特征通道关系校准的 SAR 图像船舶检测算法。在Faster R-CNN的基础上,首先通过引入通道注意力机制对特征提取网络进行特征间通道关系校准,提高网络对复杂场景下船舶目标特征提取的表达能力;其次,不同于原始的基于单一尺度特征生成候选区域的方法,该文基于神经架构搜索算法引入改进的特征金字塔结构,高效地将多尺度特征进行充分融合,改善了船舶目标中对小目标、近岸密集目标的漏检问题。最后,在SSDD数据集上进行对比验证。实验结果表明,相较原始的Faster R-CNN,检测精度从85.4%提高到89.4%,检测速率也从2.8 FPS提高到10.7 FPS。该方法能够有效实现高速与高精度的SAR图像船舶检测,具有一定的现实意义。      

基于遥感图像的船舶目标检测方法综述

如何在复杂环境中准确、快速地实现各类船舶目标检测是一项重要研究课题,也是保障船舶航行安全、保护领土安全、加强水域资源监管的基础。红外成像、合成孔径雷达（Synthetic Aperture Radar,SAR）以及卫星遥感等成像技术的发展为船舶检测提供了丰富的图像数据,已取得许多研究成果。介绍了船舶目标检测的过程,从基于传统图像处理技术的船舶目标检测和基于深度学习的船舶目标检测两方面总结并分析了现有船舶目标检测方法,讨论了相关关键技术,最后指出了未来的研究方向。     

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分对SAR图像舰船目标检测精度和速度的影响进行对比分析。最后根据当前研究现状,深入分析深度学习算法在舰船检测应用中存在的问题,探讨基于深度学习的SAR图像舰船目标检测的进一步研究方向。     

基于深度学习的SAR图像目标识别综述

随着合成孔径雷达技术的不断发展,雷达图像目标识别成为重要的研究方向.近年来,深度学习技术在雷达图像目标检测与识别方面得到了广泛应用,然而,数据样本量少和数据样本类别不均衡成为制约深度学习在合成孔径雷达目标识别中的重要因素.对基于深度学习的SAR图像目标识别算法进行了分析,首先,介绍了SAR图像目标识别常用数据集和多角度...     

SAR图像飞机目标检测识别进展

目标检测与识别是高分辨合成孔径雷达(SAR)领域的热点问题。机场上飞机作为一种典型目标，其检测和识别有一定的独特性。该文回顾了SAR图像典型目标检测识别领域技术的发展过程，分析了SAR图像中飞机目标的散射机制及面临的技术难点，阐述了 SAR 飞机目标检测识别的系统流程、技术路线和关键科学问题，对基于传统与基于深度学习两个方面的飞机目标检测识别的研究进展进行了归纳总结，并讨论了各类方法的特点及存在的问题，展望了未来的发展趋势。该文认为如何将深度学习与目标电磁散射机理结合、提高网络或模型的泛化能力是提升SAR图像中目标检测识别精度的关键，并给出了一种基于散射信息与深度学习融合的飞机目标检测方法。      

SAR图像飞机目标智能检测识别技术研究进展与展望

合成孔径雷达(SAR)采用相干成像机制,具有全天时、全天候成像的独特优势。飞机目标作为一种典型高价值目标,其检测与识别已成为SAR图像解译领域的研究热点。近年来,深度学习技术的引入,极大提升了SAR图像飞机目标检测与识别的性能。该文结合团队在SAR图像目标特别是飞机目标的检测与识别理论、算法及应用等方面的长期研究积累,对基于深度学习的SAR图像飞机目标检测与识别进行了全面回顾和综述,深入分析了SAR图像飞机目标特性及检测识别难点,总结了最新的研究进展以及不同方法的特点和应用场景,汇总整理了公开数据集及常用性能评估指标,最后,探讨了该领域研究面临的挑战和发展趋势。     

基于监督对比学习正则化的高分辨率SAR图像建筑物提取方法

近年来,高分辨合成孔径雷达(SAR)图像的智能解译技术在城市规划、变化监测等方面得到了广泛应用.不同于光学图像,SAR图像的获取方式、图像中目标的几何结构等因素制约了现有深度学习方法对SAR图像地物目标的解译效果.该文针对高分辨SAR图像城市区域建筑物提取,提出了基于监督对比学习的正则化方法,其主要思想是增强同一类别像...     

结合强化学习自适应候选框挑选的SAR目标检测方法

大场景合成孔径雷达(SAR)图像相对于通用光学图像,复杂背景杂波对目标特征提取影响更大,由于传统基于候选框的深度目标检测算法会在整张特征图上产生大量冗余候选框,因而在SAR图像复杂背景杂波影响下会产生大量的虚警,降低目标检测精度。针对该问题,该文基于Faster R-CNN检测模型,提出结合强化学习自适应候选框挑选的SAR目标检测方法。该方法能够通过强化学习自适应搜索特征图中可能含有目标的区域,并挑选搜索区域内的候选框继续进行分类、回归。通过准确搜索到含有目标的区域,可以减少复杂背景杂波的影响并减少传统强化学习应用于检测问题的计算量。所提方法利用强化学习序列决策的特点,能够根据图像信息通过强化学习迭代搜索自适应确定图像中可能含有目标的搜索区域的位置。同时,该方法通过在强化学习中使用距离约束,可以根据之前的搜索结果自适应调整下一次搜索区域的尺寸。基于实测数据的实验结果表明,所提方法能够提升传统深度学习目标检测方法的检测性能。      

基于子孔径与全孔径特征学习的SAR多通道虚假目标鉴别

SAR多通道引起的虚假目标与散焦的船舶目标形状纹理特征非常相似,在全孔径SAR图像中难以区分。针对此类虚假目标造成的虚警问题,该文提出一种基于子孔径与全孔径特征学习的SAR多通道虚假目标鉴别方法。首先,对复数SAR图像进行幅值计算得到幅度图像,利用迁移学习方法提取幅度图像中的全孔径特征;接着,对复数SAR图像进行子孔径分解获得一系列子孔径图像,然后用栈式卷积自编码器(SCAE)提取子孔径图像中的子孔径特征;最后,将子孔径和全孔径特征进行串联并利用联合特征进行分类。在高分三号超精细条带模式SAR图像上的实验结果表明,该方法可以有效的鉴别船舶目标和多通道虚假目标,与仅使用全孔径特征学习的方法相比准确率提升了16.32%。      

SAR图像稀疏对抗攻击

基于深度学习的图像解译技术在多个领域都取得了巨大成功,在合成孔径雷达（Synthetic Aperture Radar,SAR）图像分类、检测、分割等问题中也逐渐开始广泛应用。现有的SAR图像分类深度学习模型由于训练数据集样本量较小易过拟合,样本的微小改变易导致模型分类错误,产生对抗攻击现象。针对上述问题,本文从攻击方法、攻击结果和攻击目标三方面说明了SAR图像对抗攻击存在的问题和挑战。本文聚焦SAR图像的稀疏性,具体阐述了稀疏攻击提出背景和SAR图像中稀疏性的表现形式,并就常见稀疏攻击方法进行分析总结。文章在MSTAR数据集上验证了现有的稀疏攻击方法的有效性,分析了算法计算效率和成功率、耗时等指标,并对SAR图像分类稀疏对抗攻击方法进行展望。      

基于级联网络的复杂大场景SAR图像舰船目标快速检测

合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测紧贴军事和民用需求,为海洋监视提供重要信息支撑。针对复杂大场景SAR图像,本文设计了一种基于级联网络的舰船目标检测框架,该网络框架主要由D-BiSeNet海陆分割、分块区域筛选和CP-FCOS目标检测三部分组成。通过改进双边网络(D-BiSeNet)进行SAR图像海陆分割,增强了图像空间位置信息及网络边缘损失,提高了分割性能。通过海域面积比参数设定进行分块区域筛选,可以有效选择网络处理图像块,提升算法整体检测效率。CP-FCOS网络将Category-Position特征优化模块应用于传统FCOS网络,强化网络特征提取能力,同时改进目标分类和边界框回归方式,提高舰船目标定位效果。基于Sentinel-1和高分三号大场景实测数据实验表明,相比于传统CFAR、Faster-RCNN和RetinaNet方法,本文方法综合检测性能提升25.7%,3.7%和9.9%,同时检测速度提升10.0%以上。      

基于改进高斯卷积核的变电站设备红外图像检测方法

在无锚点算法CenterNet模型的基础上,针对基于红外图像的目标检测算法检测精度低、耗时长的问题,给出了一种基于改进高斯卷积核的变电站设备红外图像检测方法,该目标检测方法模型网络结构精简,模型计算量较小.通过现场变电站巡检机器人设备收集数据样本,进行算法模型的训练及验证,实现红外图像变电站设备精准识别及定位.本文以变...     

基于数据扩维的SAR目标识别性能提升技术

卷积神经网络的出现使得深度学习在视觉领域取得了巨大的成功,并逐渐延伸到合成孔径雷达(SAR)图像识别领域。然而,SAR图像样本量不足,难以支撑卷积神经网络的训练需求,并且SAR图像包含大量相干斑噪声及不确定性,网络结构的设计较为困难。所以,深度学习在SAR图像识别领域的应用受到阻碍。针对上述问题,文中提出一种基于数据扩维的SAR目标识别性能提升方法,通过对原始SAR 图像进行相关预处理操作并把处理后图像与原始图像结合,从而将一维的原始数据扩充成多维数据来作为训练样本。该扩维方法不仅间接扩充了样本量来支撑网络训练,同时也在网络训练前加入了“主动学习冶影响,所以无需针对SAR图像特性来构建复杂卷积网络,而采用成熟、简单的网络进行训练就可以达到理想的测试精度。最后,使用MSTAR 数据对该方法进行了性能验证,实验结果显示了所提方法的有效性。     

一种新的基于水平集方法的SAR图像分割算法

本文基于Aubert-Aujol（AA）模型和变分水平集方法提出一个新的SAR图像分割模型;在反应-扩散框架下,将各项同性扩散算子加入到该模型的水平集演化方程中,并提出一个两步分裂水平集演化算法,该算法不需要周期性地更新水平集函数。通过对合成图像和Envisat SAR图像的分割实验,表明本文提出的算法具有较准确的边缘定位能力和噪声抑制能力。     

基于Jetson TX2的SAR船只目标检测实现

深度学习技术在SAR (Synthetic Aperture Radar)船只目标检测领域应用越来越广泛.然而,移动平台(机载/星载)有限的资源限制了基于深度学习的SAR船只目标检测技术应用.为了促进深度学习技术在移动平台的应用,本文开展了基于改进YOLOv2的SAR目标检测算法Jetson TX2嵌入式平台实现研究....     

基于图注意力网络的半监督SAR舰船目标检测

基于深度学习的合成孔径雷达(SAR)舰船目标检测近年得到了快速发展。然而,传统有监督学习需要大量的标记样本来训练网络。针对此问题,该文提出一种基于图注意力网络(GAT)的半监督SAR舰船目标检测方法。首先,设计了对称卷积神经网络用于海陆分割。随后,完成超像素分割并将超像素块建模为GAT的节点,利用感兴趣区域池化层提取节点的多尺度特征。GAT采用注意力机制自适应地汇聚邻接节点特征实现对无标记节点的分类。最后,将预测为舰船目标的超像素块定位到SAR图像中并获得精细检测结果。在实测高分辨SAR图像数据集上验证了所提方法。结果表明该方法可以在少量标记样本下,以低虚警率实现对舰船目标的可靠检测。     

基于SVD-SRNet的SAR三维成像方法

合成孔径雷达（SAR）三维成像是传统二维SAR成像在雷达精细信息获取与感知领域的重要发展,可分辨重叠于二维SAR图像同一像素中的多个目标。稀疏信号处理是进行SAR三维成像的有效方法,但由于稀疏信号处理的非线性特征,常需迭代运算,效率较低。研究人员已提出利用深度学习技术实现快速解算非线性信号处理问题的思路,在三维成像领域已有初步应用。然而,由于SAR三维实测数据稀缺,三维成像网络的训练只能依赖于仿真数据进行,并且仿真数据与实测数据存在差异大的问题,导致基于深度学习方法的SAR三维成像精度受限。为此,本文提出了一种基于奇异值分解的信号空间归一化超分辨网络（SVD Signal-Space Normalization SuperResolution Net,SVD-SRNet）,能够解决由于仿真数据与实测数据存在差异大导致的三维成像网络化方法鲁棒性低的问题,与传统方法相比所提方法具有更优异的成像精度。计算机仿真试验和无人机SAR实测数据试验证明了本文所提方法的有效性。     

基于Toeplitz矩阵特征值分解的SAR图像舰船目标检测方法

合成孔径雷达（SAR）图像舰船目标检测一直是海洋监测领域的重要手段。经典的恒虚警率（CFAR）检测依赖于分布模型及多参数的准确估计,难以适应复杂多变的海面背景。新兴的信息几何舰船检测方法挖掘了目标与杂波的统计差异,实现舰船的显著性表示,但依然受限于背景杂波的精确建模。考虑到现有方法的局限性,本文提出了一种基于Toeplitz矩阵特征值分解的SAR图像舰船目标检测算法。在无需寻求背景杂波分布模型的前提下,通过构建Toeplitz矩阵,以其特征值均值为检验统计量,充分获取目标与背景杂波的差异。在高分三号卫星和TerraSAR-X卫星实测SAR图像上的实验结果证明,相比于现有的多种典型方法,本文方法取得了更优的检测性能与更快的计算速度。      

一种新的SAR图像局部拟合活动轮廓模型

本文基于I-divergence-TV(IDT)去噪模型和变分水平集方法提出一个新的局部拟合活动轮廓模型。该模型能有效解决SAR图像的分割问题,并且不需要周期性地更新水平集函数。通过对合成图像和实测Envisat SAR图像的分割实验,提出的模型与局部拟合RSF模型相比具有更准确的边缘定位能力和噪声抑制能力。     

基于自注意力特征融合的半监督生成对抗网络用于SAR目标识别

与具有大量标注数据的光学图像相比,合成孔径雷达(Synthetic Aperture Radar,SAR)图像缺乏足够的标记样本,限制了监督学习的SAR目标识别算法的性能.而无监督识别方法又难以满足实际需求,因此本文提出了基于自注意力特征融合的半监督生成对抗网路.首先,在构建生成器和判别器时引入自注意力层,克服卷积算子...