中文引用格式:贺顺,王雨竹,杨志伟. 复杂场景下SAR图像多尺度舰船检测算法[J]. 电子技术应用,2025,51(3):59-64.
英文引用格式:He Shun,Wang Yuzhu,Yang Zhiwei. Multi-scale ship detection algorithm in SAR images in complex scenes[J]. Application of Electronic Technique,2025,51(3):59-64.
引言
合成孔径雷达(Synthetic Aperture Radar,SAR)是一种高分辨率的成像雷达,具有全天候、多角度、远距离探测能力,不受光强和天气条件等因素的干扰[1]。目前,随着机器学习技术的进步,深度学习算法特征表示能力也变得越来越强大,基于深度学习的目标检测方法凭借强大的自动提取特征的能力,在SAR舰船检测中得到广泛的应用[2]。目前,基于深度学习的目标检测框架主要分为两类,一类是两阶段检测器,检测精度高,但速度慢且不具备实时性,代表性的检测器有R-CNN[3]、Fast R-CNN[4]、Faster R-CNN[5];另一类是单阶段检测器,具有端到端的性能优势,检测速度快,但精度略有不足。代表性的检测器有CornerNet[6]、SSD[7]、RetinaNet[8]、CenterNet[9]、FCOS[10]、YOLO系列[11-14]。
SAR舰船图像拥有广泛的覆盖范围,因此在一张SAR舰船图像中可能包含不同尺度的舰船。在现实的SAR图像成像过程中,港口、岛屿和建筑物等背景会出现在SAR图像中造成混淆,从而降低了目标检测的准确性[15]。本研究中的复杂背景是指包含有港口、岛屿等背景元素的SAR图像。同时,SAR的成像机制会产生一定的散斑噪声,使得近岸舰船目标和小目标的检测受到影响,导致漏检和虚警。
为了解决上面的问题,本文在YOLOv5目标检测模型的基础上,首先用多尺度目标特征提取网络(Multi-scale Feature Extration Netraction,MFE-Net)取代原骨干网络,在提升多尺度目标检测能力的同时减少冗余计算;然后通过注意力机制抑制背景杂波,增强特征融合的效果;最后引入可形变卷积[16](Deformable Convolution,DConv)设计可形变特征融合网络(Deformable Feature Fusion Network, DFF-Net),通过自适应调整卷积核的形状来有效检测复杂场景下不同尺度的舰船目标。
本文详细内容请下载:
http://www.chinaaet.com/resource/share/2000006360
作者信息:
贺顺1,王雨竹1,杨志伟2
(1.西安科技大学 通信与信息工程学院,陕西 西安 710600;
2.西安电子科技大学 电子工程学院,陕西 西安 710071)