在合成孔徑雷達圖像艦船目標檢測中,由于背景復雜多變,傳統(tǒng)的基于人工特征的目標檢測方法效果較差.基于深度學習中的單階段目標檢測算法RetinaNet,結(jié)合合成孔徑雷達圖像本身特征信息較少的特點,采用了多特征層融合的思想,改進了網(wǎng)絡(luò)特征提取能力,提出了相適應(yīng)的損失函數(shù)的計算方法.采用SAR圖像艦船目標檢測數(shù)據(jù)集（SSDD）對網(wǎng)絡(luò)進行訓練,并通過樣本增強和遷移學習的方法提升算法的魯棒性和收斂速度.通過實驗與其他基于深度學習的目標檢測算法所得結(jié)果進行比較,結(jié)果表明本算法具有更高的檢測精度. 

【文章來源】：湖南大學學報(自然科學版). 2020,47(02)北大核心EICSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

特征提取網(wǎng)絡(luò)參數(shù)

ResNet的FPN結(jié)構(gòu)

本文提出了一種新的特征融合網(wǎng)絡(luò)，其結(jié)構(gòu)如圖3所示.Fusion1和Fusion2為特征融合單元，F(xiàn)usion1以適當?shù)姆绞饺诤?層不同表征能力的特征圖，提取了更多Sar圖像的潛在特征，生成更準確的特征金字塔.Fusion2將金字塔相鄰的不同尺度的特征圖進行融合，建立了深淺層之間的耦合關(guān)系.其結(jié)構(gòu)參數(shù)分別如表1（以Conv6和Conv9的生成為例）和表2所示.Fusion1對ResNet的Conv2、Con3、Conv4和Conv5層后3個block分別進行1×1同緯度的卷積運算，而后并聯(lián)在一起并再次通過1×1的卷積對有效信息進行融合，生成了Conv6、Conv7、Conv8和Conv9.這4個特征信息更豐富和準確的特征層，感受野逐漸變大，特征的細粒度也逐漸減小.其中Conv6是從Conv2特征圖中融合得到，包含更多的目標細節(jié)信息，因此其對小目標更敏感，對目標的定位更有效.Fusion2結(jié)構(gòu)在新的金字塔結(jié)構(gòu)上建立了深層特征到淺層特征的鏈接.對小尺寸的特征圖首先進行雙線性插值，而后通過1×1卷積跨通道地整合信息并降低特征層維度，通過3×3的卷積減少特征圖的結(jié)構(gòu)誤差，最后與經(jīng)過1×1卷積的低維特征圖融合.融合過程采用相加的方式，3×3的卷積是為消除混疊效應(yīng).相比于原始網(wǎng)絡(luò)的FPN結(jié)構(gòu)，本網(wǎng)絡(luò)的輸出層提取了更淺層的特征信息，各特征圖的尺度為原輸出特征圖的4倍.1.3 邊框回歸和分類

【參考文獻】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)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(shù). 2018(09)
[2]基于多特征融合的SAR圖像艦船自學習檢測算法[J]. 楚博策,文義紅,陳金勇.  無線電工程. 2018(02)



本文編號：3147202