在合成孔徑雷達(dá)圖像艦船目標(biāo)檢測(cè)中,由于背景復(fù)雜多變,傳統(tǒng)的基于人工特征的目標(biāo)檢測(cè)方法效果較差.基于深度學(xué)習(xí)中的單階段目標(biāo)檢測(cè)算法RetinaNet,結(jié)合合成孔徑雷達(dá)圖像本身特征信息較少的特點(diǎn),采用了多特征層融合的思想,改進(jìn)了網(wǎng)絡(luò)特征提取能力,提出了相適應(yīng)的損失函數(shù)的計(jì)算方法.采用SAR圖像艦船目標(biāo)檢測(cè)數(shù)據(jù)集（SSDD）對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,并通過(guò)樣本增強(qiáng)和遷移學(xué)習(xí)的方法提升算法的魯棒性和收斂速度.通過(guò)實(shí)驗(yàn)與其他基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法所得結(jié)果進(jìn)行比較,結(jié)果表明本算法具有更高的檢測(cè)精度. 

【文章來(lái)源】：湖南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,47(02)北大核心EICSCD

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

特征提取網(wǎng)絡(luò)參數(shù)

ResNet的FPN結(jié)構(gòu)

本文提出了一種新的特征融合網(wǎng)絡(luò)，其結(jié)構(gòu)如圖3所示.Fusion1和Fusion2為特征融合單元，F(xiàn)usion1以適當(dāng)?shù)姆绞饺诤?層不同表征能力的特征圖，提取了更多Sar圖像的潛在特征，生成更準(zhǔn)確的特征金字塔.Fusion2將金字塔相鄰的不同尺度的特征圖進(jìn)行融合，建立了深淺層之間的耦合關(guān)系.其結(jié)構(gòu)參數(shù)分別如表1（以Conv6和Conv9的生成為例）和表2所示.Fusion1對(duì)ResNet的Conv2、Con3、Conv4和Conv5層后3個(gè)block分別進(jìn)行1×1同緯度的卷積運(yùn)算，而后并聯(lián)在一起并再次通過(guò)1×1的卷積對(duì)有效信息進(jìn)行融合，生成了Conv6、Conv7、Conv8和Conv9.這4個(gè)特征信息更豐富和準(zhǔn)確的特征層，感受野逐漸變大，特征的細(xì)粒度也逐漸減小.其中Conv6是從Conv2特征圖中融合得到，包含更多的目標(biāo)細(xì)節(jié)信息，因此其對(duì)小目標(biāo)更敏感，對(duì)目標(biāo)的定位更有效.Fusion2結(jié)構(gòu)在新的金字塔結(jié)構(gòu)上建立了深層特征到淺層特征的鏈接.對(duì)小尺寸的特征圖首先進(jìn)行雙線(xiàn)性插值，而后通過(guò)1×1卷積跨通道地整合信息并降低特征層維度，通過(guò)3×3的卷積減少特征圖的結(jié)構(gòu)誤差，最后與經(jīng)過(guò)1×1卷積的低維特征圖融合.融合過(guò)程采用相加的方式，3×3的卷積是為消除混疊效應(yīng).相比于原始網(wǎng)絡(luò)的FPN結(jié)構(gòu)，本網(wǎng)絡(luò)的輸出層提取了更淺層的特征信息，各特征圖的尺度為原輸出特征圖的4倍.1.3 邊框回歸和分類(lèi)

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像艦船目標(biāo)檢測(cè)[J]. 李健偉,曲長(zhǎng)文,彭書(shū)娟,鄧兵.  系統(tǒng)工程與電子技術(shù). 2018(09)
[2]基于多特征融合的SAR圖像艦船自學(xué)習(xí)檢測(cè)算法[J]. 楚博策,文義紅,陳金勇.  無(wú)線(xiàn)電工程. 2018(02)



本文編號(hào)：3147202