近幾年,隨著深度學習的發(fā)展,基于深度學習的目標檢測算法開始應用于合成孔徑雷達（SAR）圖像中的艦船檢測。但深度學習模型結構復雜,參數(shù)量與計算量巨大,無法應用到星載處理器的實時處理中。本文提出一種結合了Faster-RCNN和卷積通道剪枝的艦船檢測方法,在保證檢測精度不受較大影響的情況下,剪除卷積層中的部分參數(shù),提高檢測效率。實驗表明:經(jīng)過剪枝優(yōu)化的Faster-RCNN艦船檢測模型中的參數(shù)量降低了約56%,而推理時間減少了約51%,同時精度下降僅有1.9%。這給未來在星載處理器上部署艦船檢測算法提供了新的思路。 

【文章來源】：上海航天(中英文). 2020,37(04)

【文章頁數(shù)】：7 頁

【部分圖文】：

RCNN系列算法

錨點生成

式中：下標x、y、w、h分別為邊框的長和寬，以及中心點的坐標；tx、ty為平移量；tw、th為長和寬的縮放量；G為該候選框?qū)恼嬷颠吙�；P為候選框。Faster-RCNN的損失函數(shù)如下：

【參考文獻】：
期刊論文
[1]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)

碩士論文
[1]SAR圖像艦船目標檢測方法研究[D]. 邢相薇.國防科學技術大學 2009



本文編號：3075116