kaiyun官方注册
您所在的位置: 首页> 模拟设计> 设计应用> 复杂场景下SAR图像多尺度舰船检测算法
复杂场景下SAR图像多尺度舰船检测算法
电子技术应用
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;2.西安电子科技大学 电子工程学院
摘要:针对复杂场景下的多尺度SAR舰船目标检测存在误检漏检的问题,提出了一种改进的SAR舰船目标检测方法。首先,利用多尺度目标特征提取网络提取特征信息,以提升多尺度目标的检测能力并减少冗余计算。其次,引入可形变卷积(DConv)通过自适应调整卷积核的形状来提升复杂场景下SAR舰船目标的检测性能。最后,引入了注意力机制来抑制背景杂波并增强特征信息。实验结果表明,在SSDD数据集和HRSID数据集上改进方法的检测精度分别达到了97.9%和 93.1%,整体性能优于现有主流目标检测算法。
中图分类号:TP751 文献标志码:A DOI: 10.16157/j.issn.0258-7998.245371
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.
Multi-scale ship detection algorithm in SAR images in complex scenes
He Shun1,Wang Yuzhu1,Yang Zhiwei2
1.School of Communication and Information Engineering, Xi 'an University of Science and Technology; 2.School of Electronic Engineering, Xidian University
Abstract:Aiming at the problem of false detection and missing detection in multi-scale SAR ship object detection in complex scenes, an improved SAR ship object detection method is proposed in this paper. Firstly, a multi-scale object feature extraction network (MFE-Net) is used to extract feature information to improve the detection capability of multi-scale objects and reduce redundant calculations. Secondly, deformable convolution (DConv) is introduced to improve the detection performance of SAR ships in complex scenarios by adjusting the shape of the convolution kernel adaptively. Finally, an attention mechanism is introduced to suppress background clutter and enhance feature information. The experimental results show that the detection accuracy of the proposed method on SSDD and HRSID data sets reaches 97.9% and 93.1%, respectively, and the overall performance is better than the existing mainstream object detection algorithms.
Key words :object detection;complex scenes;multi-scale ship detection;synthetic aperture radar (SAR);deep learning

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)


Magazine.Subscription.jpg

此内容为AET网站原创,未经授权禁止转载。
Baidu
map