在遙感圖像中,艦船目標具有目標尺寸較小、形狀細長、多個目標緊密排列、類間相似度高等特點,現(xiàn)有的深度學習目標檢測算法對艦船小目標的檢測精度不高,易發(fā)生錯檢、漏檢情況。為了更有效地利用遙感圖像信息,提高小目標檢測精度,構建了艦船數(shù)據(jù)集SDNGV,提出基于串行修正線性單元CReLU和特征金字塔網(wǎng)絡（FPN）改進的單射探測器（SSD）艦船目標檢測識別方法。首先,在SSD網(wǎng)絡的淺層添加CReLU,提升其淺層特征的傳遞效率;然后,采用FPN從網(wǎng)絡的深層到淺層逐級融合SSD中用于檢測的多尺度特征圖,提升網(wǎng)絡的定位精度和分類精度。實驗表明,所提目標檢測算法具有較好的檢測精度,改進方法具有明顯的效果,在艦船小目標的檢測上有10%的檢測精度提升。 

【文章來源】：儀器儀表學報. 2020,41(04)北大核心EICSCD

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引 言
1 深度學習目標檢測的相關工作
2 艦船數(shù)據(jù)集SDNGV
3 基于CReLU和FPN改進的SSD目標檢測算法
    3.1 CReLU激活函數(shù)
    3.2 特征金字塔
    3.3 網(wǎng)絡結構
    3.4 損失函數(shù)
4 實驗結果
    4.1 VOC數(shù)據(jù)集的實驗結果與分析
    4.2 SNDGV數(shù)據(jù)集的實驗結果與分析
5 結 論


【參考文獻】：
期刊論文
[1]基于Mask R-CNN的艦船目標檢測研究[J]. 吳金亮,王港,梁碩,陳金勇,高峰.  無線電工程. 2018(11)
[2]基于全局背景減法濾波器與多形狀特征的紅外艦船檢測算法[J]. 陳艷浩.  電子測量與儀器學報. 2018(10)
[3]基于卷積神經(jīng)網(wǎng)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)
[4]一種改進光流法的運動目標檢測及跟蹤算法[J]. 李成美,白宏陽,郭宏偉,梁華駒.  儀器儀表學報. 2018(05)
[5]基于Faster-RCNN和多分辨率SAR的海上艦船目標檢測[J]. 胡炎,單子力,高峰.  無線電工程. 2018(02)



本文編號：3634813