目的利用合成孔徑雷達(dá)（synthetic aperture radar,SAR）圖像進(jìn)行艦船目標(biāo)檢測是實(shí)施海洋監(jiān)視的重要手段�；谏疃葘W(xué)習(xí)的目標(biāo)檢測模型在自然圖像目標(biāo)檢測任務(wù)中取得了巨大成功,但由于自然圖像與SAR圖像的差異,不能將其直接遷移到SAR圖像目標(biāo)檢測中。針對SAR圖像目標(biāo)檢測實(shí)際應(yīng)用中對速度和精度的需求,借鑒經(jīng)典的單階段目標(biāo)檢測模型（single shot detector,SSD）框架,提出一種基于特征優(yōu)化的輕量化SAR圖像艦船目標(biāo)檢測網(wǎng)絡(luò)。方法改進(jìn)模型并精簡網(wǎng)絡(luò)結(jié)構(gòu),提出一種數(shù)據(jù)驅(qū)動(dòng)的目標(biāo)分布聚類算法,學(xué)習(xí)SAR數(shù)據(jù)集的目標(biāo)尺度、長寬比分布特性,用于網(wǎng)絡(luò)參數(shù)設(shè)定;對卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network,CNN）提取的特征進(jìn)行優(yōu)化,提出一種雙向高低層特征融合機(jī)制,將高層特征的語義信息通過語義聚合模塊加成到低層特征中,在低層特征中提取特征平均圖,處理后作為高層特征的注意力權(quán)重圖對高層特征進(jìn)行逐像素加權(quán),將低層特征豐富的空間信息融入到高層特征中。結(jié)果利用公開的SAR艦船目標(biāo)檢測數(shù)據(jù)集（SAR ship detection dataset,SS... 

【文章來源】：中國圖象圖形學(xué)報(bào). 2020,25(09)北大核心CSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

本文模型框架圖

為直觀理解CNN提取的特征，本文將訓(xùn)練好的LSSD模型中不同層的特征進(jìn)行可視化。圖2是訓(xùn)練好的LSSD模型提取的兩幅SAR圖像conv3＿3、conv4＿3、conv7、conv8的第1通道和第64通道的特征圖及各通道平均熱力圖。可以看出，針對輸入的特定圖像，不同卷積層在不同通道提取了不同特征，但很難解釋特定通道特征的含義。為展示每個(gè)卷積層提取的整體特征，在特征層通道維進(jìn)行全局平均池化，得到特征的空間維平均圖，并以熱圖的形式展示。從平均圖可以看出，隨著特征層的增深，平均特征中關(guān)于目標(biāo)的表征越來越抽象。其中，在conv4＿3的特征平均圖中，無論背景是較為簡單的水面，還是更復(fù)雜的陸地，艦船目標(biāo)與背景分離最明顯。受計(jì)算機(jī)視覺中注意力機(jī)制(Woo等，2018)啟發(fā)，將conv4＿3特征平均圖視為空間注意力顯著圖，指導(dǎo)網(wǎng)絡(luò)更關(guān)注的位置�？梢灾苯永胏onv4＿3特征平均圖作為權(quán)重圖，去對其余更深的特征層進(jìn)行加權(quán)，以這種方式將低特征層的目標(biāo)位置信息傳遞到更深的特征層中，實(shí)現(xiàn)特征自下而上的融合。2.2 特征雙向融合實(shí)施流程

對本文方法利用公開的SSDD數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，首先利用基于聚類的數(shù)據(jù)集目標(biāo)特性統(tǒng)計(jì)方法指導(dǎo)的網(wǎng)絡(luò)參數(shù)設(shè)置與原SSD網(wǎng)絡(luò)參數(shù)設(shè)置進(jìn)行對比，然后逐步對比本文方法每一模塊的效果，最后將本文方法與其他SAR艦船目標(biāo)檢測的方法進(jìn)行對比。3.1 數(shù)據(jù)集說明與實(shí)驗(yàn)設(shè)置

【參考文獻(xiàn)】：
期刊論文
[1]基于生成對抗網(wǎng)絡(luò)和線上難例挖掘的SAR圖像艦船目標(biāo)檢測[J]. 李健偉,曲長文,彭書娟,江源.  電子與信息學(xué)報(bào). 2019(01)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像艦船目標(biāo)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)



本文編號(hào)：3398102