基于合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)圖像的艦船檢測(cè)已成為SAR圖像解譯的關(guān)鍵技術(shù)問(wèn)題之一,也是目前海上應(yīng)用中最重要的一部分,在民用和軍事領(lǐng)域有重要意義。由于不同艦船目標(biāo)在SAR圖像中的尺度跨度很大,而且傳統(tǒng)的艦船檢測(cè)方法對(duì)小尺度艦船不敏感,因此研究多尺度艦船檢測(cè)方法已成為SAR圖像艦船目標(biāo)檢測(cè)的重點(diǎn)研究方向。近年來(lái),基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的目標(biāo)檢測(cè)在光學(xué)領(lǐng)域取得了顯著成功,基于CNN的艦船檢測(cè)方法憑借其自動(dòng)提取特征、檢測(cè)準(zhǔn)確性高的特點(diǎn),適用于越來(lái)越復(fù)雜的海面環(huán)境中,逐漸成為SAR圖像艦船檢測(cè)研究的必然趨勢(shì)。本文立足于CNN能自動(dòng)學(xué)習(xí)特征的特點(diǎn),設(shè)計(jì)基于深度特征的SAR圖像艦船檢測(cè)方法,主要工作如下:首先,本文總結(jié)了SAR圖像艦船目標(biāo)檢測(cè)的發(fā)展現(xiàn)狀,分析了現(xiàn)有的艦船檢測(cè)方法的優(yōu)勢(shì)及存在的不足。簡(jiǎn)要介紹了CNN的基本理論和深度特征的基本提取方法,重點(diǎn)闡述了基于CNN的目標(biāo)檢測(cè)方法,并通過(guò)實(shí)驗(yàn)探索提取的深度特征對(duì)SAR圖像艦船目標(biāo)檢測(cè)的有效性。其次,針對(duì)僅利用CNN的深層特征進(jìn)行檢測(cè)造成的小... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

9種候選框示意圖

電子科技大學(xué)碩士學(xué)位論文圖2-14SSD的網(wǎng)絡(luò)結(jié)構(gòu)SSD中的默認(rèn)框類(lèi)似于FasterR-CNN中的候選框，區(qū)別在于SSD在多個(gè)尺度的特征圖上設(shè)置默認(rèn)框，而不同于FasterR-CNN只在最后一層的特征圖上設(shè)置候選框。特征圖上的每個(gè)單元設(shè)置不同長(zhǎng)寬比的默認(rèn)框，常用的長(zhǎng)寬比為（1，2，3，1/2，1/3），有時(shí)還會(huì)增加一個(gè)長(zhǎng)寬比為1但尺度特殊的默認(rèn)框。SSD分別在conv4_3、conv7、conv8_2、conv9_2、conv10_2、conv11_2層的特征圖上的每個(gè)單元設(shè)置4、6、6、6、4、4個(gè)默認(rèn)框進(jìn)行多尺度密集采樣，然后分別使用3×3的卷積預(yù)測(cè)不同默認(rèn)框所屬的類(lèi)別分?jǐn)?shù)和邊界框位置。SSD的訓(xùn)練首先需要確定正負(fù)樣本，正樣本主要有兩部分組成：首先是針對(duì)每個(gè)真實(shí)地物，選取與之IoU最大的默認(rèn)框進(jìn)行匹配；其次，在未匹配的默認(rèn)框中，選取與任意真實(shí)地物的IoU超過(guò)設(shè)定閾值的默認(rèn)框也進(jìn)行匹配，匹配成功的默認(rèn)框作為正樣本。由于真實(shí)地物相比于背景非常少，為了保證正負(fù)樣本平衡，SSD采用難例挖掘（hardnegativemining）對(duì)所有未匹配默認(rèn)框根據(jù)置信度升序排列，選取較小的前k個(gè)（top-k）默認(rèn)框作為負(fù)樣本，保證正負(fù)樣本的比例為1:3。SSD的任務(wù)是同時(shí)進(jìn)行檢測(cè)目標(biāo)的類(lèi)別分類(lèi)和邊界框位置的回歸，因此損失函數(shù)定義為置信度誤差Lconf和位置誤差Lloc的加權(quán)和，如式(2-7)所示：L(x,c,l,g)=1N(Lconf(x,c)+αLloc(x,l,g))(2-7)其中，N是默認(rèn)框的正樣本數(shù)量，若N=0，則損失函數(shù)值為0；x∈{0,1}為一個(gè)指數(shù)參數(shù)，表征默認(rèn)框與各類(lèi)別的真實(shí)地物的匹配結(jié)果；c為類(lèi)別置信度預(yù)測(cè)值；l表示默認(rèn)框?qū)?yīng)的邊界框的位置預(yù)測(cè)值；而g是真實(shí)地物的位置參數(shù)；α為權(quán)重參數(shù)，通過(guò)交叉驗(yàn)證設(shè)置為1。置信度誤差Lconf和位置誤差Lloc分別采用smoothL1和Softmax函數(shù)進(jìn)行計(jì)算，如式(2-8)、(2-9)所?

【參考文獻(xiàn)】：
期刊論文
[1]Rapid detection to long ship wake in synthetic aperture radar satellite imagery[J]. CHEN Peng,LI Xiunan,ZHENG Gang.  Journal of Oceanology and Limnology. 2019(05)
[2]基于CFAR級(jí)聯(lián)的SAR圖像艦船目標(biāo)檢測(cè)算法[J]. 陳祥,孫俊,尹奎英,于俊朋.  現(xiàn)代雷達(dá). 2012(09)
[3]快速的Otsu雙閾值SAR圖像分割法[J]. 尹奎英,劉宏偉,金林.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2011(06)
[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]一種從SAR海洋圖像中檢測(cè)艦船航跡的算法[J]. 鄒煥新,匡綱要,郁文賢.  現(xiàn)代雷達(dá). 2004(01)
[6]SAR影像幾何校正[J]. 張永紅,林宗堅(jiān),張繼賢,甘夢(mèng)龍.  測(cè)繪學(xué)報(bào). 2002(02)

碩士論文
[1]基于CNN的SAR艦船檢測(cè)及其在移動(dòng)終端的應(yīng)用[D]. 徐鵬.河南大學(xué) 2017
[2]高分辨率SAR圖像海上艦船目標(biāo)檢測(cè)方法研究[D]. 汪煒.上海交通大學(xué) 2014
[3]SAR圖像艦船目標(biāo)檢測(cè)方法研究[D]. 張亮.國(guó)防科學(xué)技術(shù)大學(xué) 2007



本文編號(hào)：2943393