基于改进Faster R-CNN的SAR船舶目标检测方法

论文摘要

合成孔径雷达（Synthetic Aperture Radar, SAR）船舶检测在海洋交通监控中发挥着重要作用,传统SAR目标检测算法一般利用目标与背景杂波之间的对比度差异进行检测,在近岸海域等复杂场景下检测效果较差。为了提高在复杂场景下的检测性能,本文提出一种基于改进Faster R-CNN的船舶检测方法,在分析不同特征分辨率对检测性能影响的基础上,结合VGG的思想与扩张卷积设计一个适用于SAR船舶目标检测的特征提取网络,以提升对小型船舶目标的检测能力。另外,根据sentinel-1A数据集中目标尺寸分布选取小尺寸anchor,并通过去除冗余anchor,将检测速度提升了一倍。在sentinel-1A数据集上的实验证明本文提出的算法能够快速、有效地从复杂场景SAR图像中检测出船舶目标。

论文目录

• 0 引 言
• 1 Faster R-CNN网络结构
•   1.1 RPN
•   1.2 Fast R-CNN
• 2 改进的Faster R-CNN
•   2.1 特征提取网络
•   2.2 anchor的选择
• 3 实验结果与分析
•   3.1 数据集及训练参数
•   3.2 特征分辨率对检测性能的影响
•   3.3 扩张卷积有效性验证
•   3.4 不同种类anchor对比实验
•   3.5 不同检测算法对比
•     1) 与双参数CFAR进行比较。
•     2) 与基于CNN的方法进行比较。
• 4 结束语

文章来源

类型: 期刊论文

作者: 岳邦铮,韩松

关键词: 卷积神经网络,船舶检测,合成孔径雷达

来源: 计算机与现代化 2019年09期

年度: 2019

分类: 信息科技,工程科技Ⅱ辑

专业: 船舶工业,电信技术

单位: 中国科学院大学,中国科学院电子学研究所

基金: 国家重点研发计划项目(2017YFB0503001)

分类号: TN957.52;U675.7

页码: 90-95+101

总页数: 7

文件大小: 1103K

下载量: 314