深度學習模型中的特征金字塔網(wǎng)絡（Feature Pyramid Network,FPN）常被用作合成孔徑雷達（Synthetic Aperture Radar,SAR）圖像中多目標船舶的檢測。針對復雜場景下多目標船舶檢測問題,提出了一種基于改進錨點框的FPN模型。首先將特征金字塔模型嵌入傳統(tǒng)的RPN（Region Proposal Network）并映射成新的特征空間用于目標檢測,然后利用基于形狀相似度距離（Shape Similar Distance,SSD）度量的Kmeans聚類算法優(yōu)化FPN的初始錨點框,并使用SAR船舶數(shù)據(jù)集測試。實驗結(jié)果表明,所提算法目標檢測精確率達到98.62%,在復雜場景下與YOLO、Faster RCNN、FPN based on VGG/ResNet等模型進行對比,模型準確率提高,整體性能更好。 

【文章來源】：電訊技術(shù). 2020,60(08)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

基于主干網(wǎng)絡的RPN算法框架圖

在{P1,P2,P3,P4,P5}特征映射層上分別分配{32 pixel×32 pixel,64 pixel×64 pixel,128 pixel×128pixel}像素面積的錨點框(Anchor boxes)，同時使用了多個長寬比(1∶2,1∶1,2∶1)。在不同的特征映射層上，以每個像素點為中心，以Anchor boxes為固定范圍進行窗口滑動，生成的大量候選框。一方面特征映射層上所有的候選框進入全連接層FC6～FC8，進行分類訓練;同時計算候選框與目標真實框(ground-truth)的交并比(Intersection-over-Union,IOU)，選擇與ground-truth最接近的候選框作為提取的感興趣區(qū)域(Region of Interest,ROI)，對提取的ROI進行回歸訓練。1.2 錨點框分配的優(yōu)化過程

以我國國產(chǎn)高分三號SAR數(shù)據(jù)和Sentinel-1SAR數(shù)據(jù)為主數(shù)據(jù)源，共采用了102景高分三號和108景Sentinel-1 SAR圖像[21]。SAR數(shù)據(jù)集包含43 819船舶切片。高分三號的成像模式是StripMap(UFS)、Fine Strip-Map 1(FSI)、Full Polarization1(QPSI)、Full Polarization 2(QPSII)和Fine StripMap 2(FSII)，分辨率分別是3 m、5 m、8 m、25 m和10 m。Sentinel-1的成像模式是條帶模式(S3和S6)和寬幅成像模式，數(shù)據(jù)集如圖3所示，并且使用labelImg來標記船舶位置以及類別。訓練集、驗證集和測試集按70%、20%和10%的比例劃分。2.1.2 網(wǎng)絡訓練過程

【參考文獻】：
期刊論文
[1]基于改進候選區(qū)域網(wǎng)絡的紅外飛機檢測[J]. 姜曉偉,王春平,付強.  激光與紅外. 2019(01)
[2]特征融合的卷積神經(jīng)網(wǎng)絡多波段艦船目標識別[J]. 劉峰,沈同圣,馬新星.  光學學報. 2017(10)
[3]基于卷積神經(jīng)網(wǎng)絡的遙感圖像艦船目標檢測[J]. 黃潔,姜志國,張浩鵬,姚遠.  北京航空航天大學學報. 2017(09)

博士論文
[1]復雜背景下的光學遙感圖像目標檢測算法研究[D]. 林煜東.西南交通大學 2017

碩士論文
[1]光學遙感圖像艦船目標檢測技術(shù)的研究[D]. 彭敬濤.東華大學 2017



本文編號：3034672