目標(biāo)檢測(cè)技術(shù)是一種識(shí)別并定位圖像中特定目標(biāo)的技術(shù),它是圖像理解的一個(gè)重要環(huán)節(jié),一直以來(lái)都是國(guó)內(nèi)外學(xué)者的研究熱點(diǎn)。隨著衛(wèi)星技術(shù)的發(fā)展,尤其是高分三號(hào)等衛(wèi)星的發(fā)射,大量的合成孔徑雷達(dá)（Synthetic Aperture Radar,SAR）圖像可用于動(dòng)態(tài)監(jiān)測(cè)海洋,推動(dòng)了 SAR圖像艦船目標(biāo)檢測(cè)任務(wù)的發(fā)展。不同于自然圖像目標(biāo)檢測(cè),SAR圖像艦船目標(biāo)檢測(cè)具有圖像分辨率較低、艦船目標(biāo)特征多樣等多方面特點(diǎn)�，F(xiàn)有SAR圖像艦船目標(biāo)檢測(cè)算法對(duì)多源SAR圖像進(jìn)行目標(biāo)檢測(cè)時(shí),仍然存在對(duì)不同尺寸艦船檢測(cè)性能不魯棒、陸地區(qū)域虛警率高等問題。另一方面,深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺領(lǐng)域取得了飛速發(fā)展,它能夠利用神經(jīng)網(wǎng)絡(luò)以數(shù)據(jù)驅(qū)動(dòng)的方式智能地發(fā)掘圖像特征,從而出色地完成任務(wù)。因此,針對(duì)以上問題和挑戰(zhàn),本文采用深度學(xué)習(xí)技術(shù)對(duì)SAR圖像艦船目標(biāo)檢測(cè)展開研究,具體如下。首先,針對(duì)現(xiàn)存算法在陸地區(qū)域誤檢率高的問題,本文提出了基于海陸分割的艦船目標(biāo)檢測(cè)算法LDSSD（Land detectable SAR ship detector）。該算法基于卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了兩個(gè)模塊:海陸分割模塊和艦船目標(biāo)檢測(cè)模塊。海陸分割模塊用于像素級(jí)... 

【文章來(lái)源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖３．３殘斜莫塊結(jié)構(gòu)圖??Ｆｉｇ．?３．３?Ｗｏｒｋｆｌｏｗ?ｏｆ?ｒｅｓｉｄｕａｌ?ｌｅａｒｎｉｎｇ?ｂｌｏｃｋ??ＯＳＳＳＤ的特征提取網(wǎng)絡(luò)分為兩種路徑，一個(gè)自底向上的特征提取主干網(wǎng)絡(luò)，一個(gè)??３．２

?基于深度學(xué)習(xí)的合成孔徑雷達(dá)圖像艦船目．標(biāo)檢測(cè)???由予網(wǎng)絡(luò)加深導(dǎo)致的退化問題［４６］。??在輸入網(wǎng)絡(luò)之前，將輸入圖像進(jìn)行縮放，得到［３，?８００，８００］像素大小的圖像，其中??“□”內(nèi)數(shù)值分別表示圖像的深度、髙度和寬度。特征提取鬼干網(wǎng)絡(luò)中的下采樣使得??特征圖的高和寬不斷變小，圖３．２中巧、凡、巧、巧分別代表輸入圖像經(jīng)過(guò)主干網(wǎng)絡(luò)??Ｒｅｓｎｅｔｌ８中每一個(gè)殘差，攀習(xí)塊后產(chǎn)隹的特征圖。朽、朽、巧、Ａ相對(duì)亍原圖來(lái)說(shuō)邊長(zhǎng)縮??小的步長(zhǎng)分別為４、８、Ｉ６、３２，這些特征圖的尺寸分別為［６４，２〇０，２〇０］、［２５６，１００，１００］、??［２５６，５０，５０］、［２５６，?２５，２５］。??３．１．２多尺度特征融合網(wǎng)絡(luò)??■?■??（ａ）?（ｂ）??Ｅ＿＿??（ｃ）?（ｄ）??圖３．４包含多茂度規(guī)船目標(biāo)的多分辨率ＳＡＲ圖像示例??Ｆｉｇ．?３．４?Ｓａｍｐｌｅｓ?ｏｆ?ＳＡＲ?ｉｍａｇｅｓ?ｗｉｔｈ?ｄｉｆｆｅｒｅｎｔ?ｒｅｓｏｌｕｔｉｏｎｓ?ａｎｄ?ｍｕｌｔｉ－ｓｃａｌｅ?ｓｈｉｐｓ．??由于圖像來(lái)源不同，ＳＡＲ圖像分辨率存在差異，導(dǎo)致艦船目標(biāo)特征存在差異。另??夕卜，由于海上行駛或港岸停泊的艦船種類繁多，不同種類艦船之間的大小差異可以達(dá)到??－１６?－??

目標(biāo)檢測(cè)???４００?－??１?ｉ??ａ？?２００?－??Ｉ??ｉｏｏ?－??Ｏ?￣￣?■?—ｒ＾—?１??１?１????０．０?０．１?０．２?０．３?０．４?０．５?Ｏ．Ｇ?０．７??Ｒｅｌａｔｉｖｅ?ｗｉｄｔｈｓ?ｏｆ?ｇｔ?ｂｂｏｘｅｓ??爵３．７?ＳＳＤＤ載輯聚中艦羅目標(biāo)相對(duì)貫賃類率統(tǒng)計(jì)畫??Ｆｉｇ．?３．７?Ｒｅｌｅｔｉｖｅ?ｗｄｉｔｈ?ｏｆ?ＳＡＲ?ｓｈｉｐ?ｏｂｊｅｃｔｓ?ｉｎ?ＳＳＤＤ??相對(duì)高度和栢對(duì)寬度的頻率分布圖分別如圖３．６和３．７所示ｓ艦船＿標(biāo)真值的相??對(duì)高度和相對(duì)寬度分別分布在閉區(qū)同［０．〇２，０．８６］和［０．０１，０．７６］中，其中均以［０．〇２，．０．３］??為分布最瀕繁的以上統(tǒng)計(jì)和分析ｐ本：文設(shè)置ａｎｃｈｏｒ．的栢對(duì)大．�。�??｛０．０２，?０．０４，０．０８，０．１６，?０．３２｝。按照數(shù)值由低到高排列，不同值的ａｎｃｈｏｒ分別對(duì)應(yīng)??在特征圖Ｑ、Ｃ２、Ｃ３、Ｇｔ、（７５上生成候選框。??由此，ａｎｃｈｏｒ的高、寬的計(jì)算公式為：??ｈ?＝?ｓｉｚｃｉｍａ?＊?ｓｉｚｅ＾ａｓｅ?＊?ｓｃａｌｅ?＊?ｒａｔｉｏ??（３．４）??ｗ?＝?ｓｉｚｅｉｍｇ?＊?ｓｉｚｅ＾ａｓｅ?＊?ｓｃａｌｅ?＊?１／ｒａｔｉｏ??其中，Ｇ?｛０．０２，０．０４，０．０８，０．１６，０．３２｝表不?ａｎｃｈｏｒ?的相對(duì)大小，ｓｃａＺｅ?Ｇ?｛１，?＼／５｝表??不ａｎｃｈｏｒ的尺度，ｒａｔｉｏ?￡?｛Ｌ０．５，２｝表７Ｋ?ａｎｃｈｏｒ的高寬比。圖３．８展不了?ａｎｃｈｏｒ在特征??圖上的直觀表示，圖中的背景網(wǎng)格代表一張?zhí)卣鲌D，假設(shè)改特征圖的?ｓｉｚｅｂａｓｅ?一?萬(wàn)，

【參考文獻(xiàn)】：
期刊論文
[1]基于級(jí)聯(lián)CNN的SAR圖像艦船目標(biāo)檢測(cè)算法[J]. 李健偉,曲長(zhǎng)文,彭書娟.  控制與決策. 2019(10)
[2]基于Faster-RCNN和多分辨率SAR的海上艦船目標(biāo)檢測(cè)[J]. 胡炎,單子力,高峰.  無(wú)線電工程. 2018(02)
[3]一種基于自適應(yīng)背景雜波模型的寬幅SAR圖像CFAR艦船檢測(cè)算法[J]. 林旭,洪峻,孫顯,鄢懿.  遙感技術(shù)與應(yīng)用. 2014(01)
[4]遙感圖像中艦船檢測(cè)方法綜述[J]. 唐沐恩,林挺強(qiáng),文貢堅(jiān).  計(jì)算機(jī)應(yīng)用研究. 2011(01)
[5]一種基于局部K-分布的新的SAR圖像艦船檢測(cè)算法[J]. 艾加秋,齊向陽(yáng).  中國(guó)科學(xué)院研究生院學(xué)報(bào). 2010(01)
[6]一種基于G0分布的SAR圖像快速CFAR檢測(cè)方法[J]. 賀志國(guó),周曉光,陸軍,匡綱要.  國(guó)防科技大學(xué)學(xué)報(bào). 2009(01)
[7]基于小波分解的K-分布SAR圖像艦船檢測(cè)[J]. 李曉瑋,種勁松.  測(cè)試技術(shù)學(xué)報(bào). 2007(04)



本文編號(hào)：3500489