針對海岸、島礁、碼頭等因素干擾而造成的SAR圖像近岸艦船檢測精度不高問題,設計了采用旋轉矩形框與卷積注意力模塊CBAM（Convolutional Block Attention Module）改進RetinaNet的SAR圖像近岸艦船檢測方案。該方案在RetinaNet算法基礎上,利用具有目標角度參數(shù)的旋轉矩形框減弱非目標區(qū)域對艦船特征提取的干擾,在RetinaNet特征提取網(wǎng)絡相鄰殘差塊之間加入卷積注意力模塊進行目標特征的有效聚焦,從而改善近岸艦船檢測效果。利用公開的SSDD數(shù)據(jù)集、自標注近岸數(shù)據(jù)集進行了艦船檢測實驗,得到的檢測精度相較于常規(guī)RetinaNet算法分別提升了7.02%和8.89%,驗證了該方案的有效性。 

【文章來源】：測繪科學技術學報. 2020,37(06)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

旋轉矩形框和CBAM改進RetinaNet的SAR圖像艦船檢測流程

圖3(b)中旋轉矩形框的寬和長可以近似艦船目標在圖像中的寬和長,且旋轉矩形框內(nèi)包含較少非目標區(qū)域信息。尤其是SAR圖像艦船目標長寬比較大,相比于水平矩形框, 旋轉矩形框更能準確地反映出目標信息,其表達的檢測目標特征更加準確,符合SAR圖像艦船目標特征提取的實際需求。圖3 艦船目標的標注

圖2 旋轉矩形框與CBAM改進RetinaNet的主干網(wǎng)絡采用旋轉角度參數(shù)的錨框通過增加角度參數(shù)θ表示旋轉矩形錨框的位置信息。與原始錨框相比,每個錨點處的矩形錨框增加6個角度,即 - 5π 12 、 - π 3 、 - π 4 、 - π 6 、 - π 12 和0來控制矩形錨框的旋轉,則特征圖上每個錨點處的錨框數(shù)由N×K變?yōu)镹×K×6。其中,N指每個錨點處有N個不同寬高比的錨框;K指每個錨點處有K個不同尺度大小的錨框。本文中特征圖集合(P3、P4、P5、P6、P7)對應生成的基礎錨框尺度分別為82、162、322、642和1282,每層特征圖中每個錨點產(chǎn)生錨框的寬高比分別為1、 1 2 、3、 1 3 、3、5和 1 5 ,相對于基礎錨框尺度大小比分別為20、 2 1 3 和 2 2 3 。真實標注框與錨框的相對坐標以及預測框與錨框的相對坐標可表示為

【參考文獻】：
期刊論文
[1]融合差異圖與高斯混合模型相結合的SAR圖像變化檢測[J]. 高新,靳國旺,熊新,徐嬌.  測繪科學技術學報. 2020(01)
[2]AIR-SARShip-1.0：高分辨率SAR艦船檢測數(shù)據(jù)集[J]. 孫顯,王智睿,孫元睿,刁文輝,張躍,付琨.  雷達學報. 2019(06)
[3]直線特征輔助的靠岸艦船檢測[J]. 余東行,郭海濤,趙傳,李道紀,張保明.  測繪科學技術學報. 2019(03)
[4]卷積神經(jīng)網(wǎng)絡的發(fā)展及其在計算機視覺領域中的應用綜述[J]. 陳超,齊峰.  計算機科學. 2019(03)
[5]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)
[6]遙感圖像中艦船檢測方法綜述[J]. 唐沐恩,林挺強,文貢堅.  計算機應用研究. 2011(01)



本文編號：3126243