目的利用合成孔徑雷達（synthetic aperture radar,SAR）圖像進行艦船目標檢測是實施海洋監(jiān)視的重要手段�；谏疃葘W習的目標檢測模型在自然圖像目標檢測任務中取得了巨大成功,但由于自然圖像與SAR圖像的差異,不能將其直接遷移到SAR圖像目標檢測中。針對SAR圖像目標檢測實際應用中對速度和精度的需求,借鑒經典的單階段目標檢測模型（single shot detector,SSD）框架,提出一種基于特征優(yōu)化的輕量化SAR圖像艦船目標檢測網絡。方法改進模型并精簡網絡結構,提出一種數據驅動的目標分布聚類算法,學習SAR數據集的目標尺度、長寬比分布特性,用于網絡參數設定;對卷積神經網絡（convolutional neural network,CNN）提取的特征進行優(yōu)化,提出一種雙向高低層特征融合機制,將高層特征的語義信息通過語義聚合模塊加成到低層特征中,在低層特征中提取特征平均圖,處理后作為高層特征的注意力權重圖對高層特征進行逐像素加權,將低層特征豐富的空間信息融入到高層特征中。結果利用公開的SAR艦船目標檢測數據集（SAR ship detection dataset,SS... 

【文章來源】：中國圖象圖形學報. 2020,25(09)北大核心CSCD

【文章頁數】：10 頁

【部分圖文】：

本文模型框架圖

為直觀理解CNN提取的特征，本文將訓練好的LSSD模型中不同層的特征進行可視化。圖2是訓練好的LSSD模型提取的兩幅SAR圖像conv3＿3、conv4＿3、conv7、conv8的第1通道和第64通道的特征圖及各通道平均熱力圖�？梢钥闯�，針對輸入的特定圖像，不同卷積層在不同通道提取了不同特征，但很難解釋特定通道特征的含義。為展示每個卷積層提取的整體特征，在特征層通道維進行全局平均池化，得到特征的空間維平均圖，并以熱圖的形式展示。從平均圖可以看出，隨著特征層的增深，平均特征中關于目標的表征越來越抽象。其中，在conv4＿3的特征平均圖中，無論背景是較為簡單的水面，還是更復雜的陸地，艦船目標與背景分離最明顯。受計算機視覺中注意力機制(Woo等，2018)啟發(fā)，將conv4＿3特征平均圖視為空間注意力顯著圖，指導網絡更關注的位置�？梢灾苯永胏onv4＿3特征平均圖作為權重圖，去對其余更深的特征層進行加權，以這種方式將低特征層的目標位置信息傳遞到更深的特征層中，實現特征自下而上的融合。2.2 特征雙向融合實施流程

對本文方法利用公開的SSDD數據集進行實驗，首先利用基于聚類的數據集目標特性統(tǒng)計方法指導的網絡參數設置與原SSD網絡參數設置進行對比，然后逐步對比本文方法每一模塊的效果，最后將本文方法與其他SAR艦船目標檢測的方法進行對比。3.1 數據集說明與實驗設置

【參考文獻】：
期刊論文
[1]基于生成對抗網絡和線上難例挖掘的SAR圖像艦船目標檢測[J]. 李健偉,曲長文,彭書娟,江源.  電子與信息學報. 2019(01)
[2]基于卷積神經網絡的SAR圖像艦船目標檢測[J]. 李健偉,曲長文,彭書娟,鄧兵.  系統(tǒng)工程與電子技術. 2018(09)



本文編號：3398102