《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 模擬設(shè)計(jì) > 設(shè)計(jì)應(yīng)用 > 復(fù)雜場(chǎng)景下SAR圖像多尺度艦船檢測(cè)算法
復(fù)雜場(chǎng)景下SAR圖像多尺度艦船檢測(cè)算法
電子技術(shù)應(yīng)用
賀順1,，王雨竹1，楊志偉2
1.西安科技大學(xué) 通信與信息工程學(xué)院,；2.西安電子科技大學(xué) 電子工程學(xué)院
摘要： 針對(duì)復(fù)雜場(chǎng)景下的多尺度SAR艦船目標(biāo)檢測(cè)存在誤檢漏檢的問題,，提出了一種改進(jìn)的SAR艦船目標(biāo)檢測(cè)方法,。首先,，利用多尺度目標(biāo)特征提取網(wǎng)絡(luò)提取特征信息，以提升多尺度目標(biāo)的檢測(cè)能力并減少冗余計(jì)算,。其次,，引入可形變卷積（DConv）通過自適應(yīng)調(diào)整卷積核的形狀來提升復(fù)雜場(chǎng)景下SAR艦船目標(biāo)的檢測(cè)性能,。最后，引入了注意力機(jī)制來抑制背景雜波并增強(qiáng)特征信息,。實(shí)驗(yàn)結(jié)果表明,，在SSDD數(shù)據(jù)集和HRSID數(shù)據(jù)集上改進(jìn)方法的檢測(cè)精度分別達(dá)到了97.9%和 93.1%，整體性能優(yōu)于現(xiàn)有主流目標(biāo)檢測(cè)算法,。
中圖分類號(hào)：TP751 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.245371
中文引用格式： 賀順,，王雨竹，楊志偉. 復(fù)雜場(chǎng)景下SAR圖像多尺度艦船檢測(cè)算法[J]. 電子技術(shù)應(yīng)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

合成孔徑雷達(dá)（Synthetic Aperture Radar,，SAR）是一種高分辨率的成像雷達(dá),，具有全天候、多角度,、遠(yuǎn)距離探測(cè)能力,，不受光強(qiáng)和天氣條件等因素的干擾[1]。目前,，隨著機(jī)器學(xué)習(xí)技術(shù)的進(jìn)步,，深度學(xué)習(xí)算法特征表示能力也變得越來越強(qiáng)大，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法憑借強(qiáng)大的自動(dòng)提取特征的能力,，在SAR艦船檢測(cè)中得到廣泛的應(yīng)用[2],。目前，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)框架主要分為兩類,，一類是兩階段檢測(cè)器,，檢測(cè)精度高，但速度慢且不具備實(shí)時(shí)性,，代表性的檢測(cè)器有R-CNN[3],、Fast R-CNN[4],、Faster R-CNN[5]；另一類是單階段檢測(cè)器,，具有端到端的性能優(yōu)勢(shì),，檢測(cè)速度快，但精度略有不足,。代表性的檢測(cè)器有CornerNet[6],、SSD[7]、RetinaNet[8],、CenterNet[9],、FCOS[10]、YOLO系列[11-14],。

SAR艦船圖像擁有廣泛的覆蓋范圍,，因此在一張SAR艦船圖像中可能包含不同尺度的艦船。在現(xiàn)實(shí)的SAR圖像成像過程中,，港口,、島嶼和建筑物等背景會(huì)出現(xiàn)在SAR圖像中造成混淆，從而降低了目標(biāo)檢測(cè)的準(zhǔn)確性[15],。本研究中的復(fù)雜背景是指包含有港口,、島嶼等背景元素的SAR圖像。同時(shí),，SAR的成像機(jī)制會(huì)產(chǎn)生一定的散斑噪聲,，使得近岸艦船目標(biāo)和小目標(biāo)的檢測(cè)受到影響，導(dǎo)致漏檢和虛警,。

為了解決上面的問題,，本文在YOLOv5目標(biāo)檢測(cè)模型的基礎(chǔ)上，首先用多尺度目標(biāo)特征提取網(wǎng)絡(luò)（Multi-scale Feature Extration Netraction,，MFE-Net）取代原骨干網(wǎng)絡(luò),，在提升多尺度目標(biāo)檢測(cè)能力的同時(shí)減少冗余計(jì)算；然后通過注意力機(jī)制抑制背景雜波,，增強(qiáng)特征融合的效果,；最后引入可形變卷積[16]（Deformable Convolution，DConv）設(shè)計(jì)可形變特征融合網(wǎng)絡(luò)（Deformable Feature Fusion Network, DFF-Net）,，通過自適應(yīng)調(diào)整卷積核的形狀來有效檢測(cè)復(fù)雜場(chǎng)景下不同尺度的艦船目標(biāo),。


本文詳細(xì)內(nèi)容請(qǐng)下載：

http://forexkbc.com/resource/share/2000006360


作者信息：

賀順1，王雨竹1,，楊志偉2

（1.西安科技大學(xué) 通信與信息工程學(xué)院,，陜西 西安 710600；

2.西安電子科技大學(xué) 電子工程學(xué)院，陜西 西安 710071）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng),，未經(jīng)授權(quán)禁止轉(zhuǎn)載。