基于锚框自适应和多尺度增强的SAR舰船检测

针对目前基于深度学习的合成孔径雷达(synthetic aperture radar, SAR)舰船检测锚框尺度固定、多尺度检测性能较差的问题,提出了一种基于锚框自适应和多尺度增强网络(adaptive anchor multi-scale enhancement network, AA-MSE-Net)的SAR舰船检测方法。首先,AA-MSE-Net引入了锚框自适应机制,来生成适应目标形态的高质量锚框,增强了舰船形态描述能力。其次,AA-MSE-Net提出了多尺度增强金字塔网络,来融合增强多尺度特征,增强了多尺度描述能力。最后,AA-MSE-Net在骨干网络中引入了可变形卷积,来提取舰船形变特征,进一步提高检测精度。实验证明,AA-MSE-Net在公开SAR舰船检测数据集上的平均精度高于8种对比方法。     

基于中心点和语义信息的多方向遥感舰船检测

在高分辨率遥感影像解译中, 舰船目标的检测一直是研究热点。针对遥感影像中近岸舰船排列密集、方向各异以及背景复杂等问题, 本文提出一种基于旋转中心点网络和语义信息(rotated CenterNet using semantic information, RSI-CenterNet)的多方向遥感舰船目标检测方法。首先, 基于关键点检测网络, 在检测阶段添加目标角度回归分支, 以预测目标方向; 其次, 添加语义分割分支, 并将其输出的特征与检测部分的输入特征进行融合以强化目标区域的特征信息; 最后, 引入注意力模块, 以强化目标显著区域与通道的特征, 提升检测精度。实验结果表明, 与其他多种先进方法相比, 本文方法具有更高的检测精度与检测速度, 在高分辨率船舶数据集(High Resolution Ship Collections 2016, HRSC2016)上的平均精度达到88.31%, 检测速度达到17.8 FPS。     

基于YOLO框架的无锚框SAR图像舰船目标检测

面向合成孔径雷达(synthetic aperture radar, SAR)多目标检测应用, 提出了一种基于YOLO (you only look once) 框架的无锚框SAR图像舰船目标检测方法。该方法针对YOLOv3锚框需要预先设定且无法完美契合的弊端, 通过采用无锚框方法更好适应所检测目标的大小, 便于多尺度目标使用。在此基础上, 给CSPDarknet53网络增加了注意力机制作为特征提取网络, 然后经过能够增大感受野的改进特征金字塔网络(feature pyramid network, FPN)后, 把特征图传给无锚框检测头, 有效提升了目标类别和位置的预测精度。实验证明, 所提算法在公开SAR舰船数据集上平均精度比YOLOv3提高3.8%，达到了94.8%, 虚警率降低4.8%。     

基于RHTC网络的飞机目标检测与精细识别

飞机目标的方向检测和精细识别是高分辨率光学遥感图像解译领域的一个重要任务。针对遥感图像中多方向密集排布飞机的方向检测和识别困难问题, 提出一种基于旋转混合任务级联(rotated hybrid task cascade, RHTC)网络的飞机检测识别方法。首先, 基于混合任务级联(hybrid task cascade, HTC)网络, 扩展分割分支数量, 并将分割分支与包围框分支多层级联以不断加强语义特征。其次, 设计了一个新的斜框回归器, 将其添加在掩膜分支的最后一层以完成目标方向预测。最后, 增加一个新的方向损失函数以优化训练过程, 从而完成RHTC网络构建。在数据预处理阶段, 构建了每类型号飞机目标的精细掩膜以增强目标细节和提高掩膜预测精度。基于DOTA和公开Google图像构建的飞机数据集开展了多组实验。结果表明, 与其他多种先进的方法相比, 所提方法在飞机检测方向精准度和类别平均精准度上性能更优。此外, 所设计的斜框回归器和方向损失函数在嵌入到其他分割网络时也具有良好的性能。     

基于级联卷积神经网络的港口多方向舰船检测与分类

港口舰船目标自动检测的定位和类型分类是一个重要而具有挑战性的问题。针对高分辨率光学遥感影像中多方向性排列密集的近岸舰船目标定位和识别困难的问题,提出基于级联区域卷积神经网络和手工提取特征相结合的近岸舰船检测识别框架。首先,使用级联的区域卷积神经网络对舰船位置进行粗定位并对类别进行估计，得到一系列粗定位的垂直预测框。然后,设计一个可以准确定位舰船的斜框旋转回归器,其将第一阶段所得粗定位垂直矩形框转变为带方向的斜矩形框。最后,使用非极大值抑制的方法去除冗余的预测框。实验采用谷歌地球上采集的数据集进行训练和预测,实验结果表明所提算法在精准率和召回率上均具有较大优势。     

基于级联卷积神经网络的港口多方向舰船检测与分类

港口舰船目标自动检测的定位和类型分类是一个重要而具有挑战性的问题。针对高分辨率光学遥感影像中多方向性排列密集的近岸舰船目标定位和识别困难的问题,提出基于级联区域卷积神经网络和手工提取特征相结合的近岸舰船检测识别框架。首先,使用级联的区域卷积神经网络对舰船位置进行粗定位并对类别进行估计，得到一系列粗定位的垂直预测框。然后,设计一个可以准确定位舰船的斜框旋转回归器,其将第一阶段所得粗定位垂直矩形框转变为带方向的斜矩形框。最后,使用非极大值抑制的方法去除冗余的预测框。实验采用谷歌地球上采集的数据集进行训练和预测,实验结果表明所提算法在精准率和召回率上均具有较大优势。     

用于SAR图像小目标舰船检测的改进SSD算法

针对合成孔径雷达(synthetic aperture radar, SAR)图像小目标舰船检测中存在的检测率较低、虚警较高等缺点,提出了用于SAR图像小目标舰船检测的改进单步多框检测(single shot multibox detector,SSD)算法。首先,制作了一个专门用于SAR图像小目标舰船检测的数据集,在SSD目标检测算法的基础上,提出了迁移学习、浅层特征增强和数据增广3个方面的改进;利用性能更好的ResNet50作为特征提取结构,在浅层特征增强网络结构中采用了inception模块的分支结构,同时使用了空洞卷积扩大特征图的视觉感受野,增强了网络对小尺寸舰船目标的适应性;最后在数据集上进行了多组对比分析实验,实验结果表明所提方法相比于原始的SSD,平均准确率提高了5.4%,并且对SAR小目标舰船的漏检和误报明显减少。     

基于语义分割实现的SAR图像舰船目标检测

基于深度学习实现的目标检测方法在自然图像中取得非常大的成功,而将诸多方法运用于合成孔径雷达(synthetic aperture radar, SAR)图像舰船目标检测逐步成为新的趋势。如何将已有方法改进并与SAR图像的特点相结合完成特定的检测任务,已经成为当前主要的研究方向。不同于当前已有方法,本文对存在的深度学习SAR图像舰船目标检测方法进行了再思考,提出了基于语义分割实现的检测、分割一体化方法。通过语义分割实现的检测方式能够有效地避免当前诸多检测网络的复杂解码过程,具有生成的预测框更加贴合目标、精度以及召回率更高等特点。该方法虽属于无锚框检测,但实验结果表明,达到了双阶段检测效果,且具有更加精细化的分割结果,适用于复杂背景检测与分割问题。     

基于YOLOv5的光学遥感图像舰船目标检测算法

针对YOLO(you only look once)v5算法在应用于光学遥感图像舰船目标检测任务时所面临的小目标误检率、漏检率较高的情况，提出一种基于YOLOv5改进的光学遥感图像舰船目标检测方法。首先对路径聚合网络结构进行改进，设计语义信息增强模块提取更富语义信息的浅层特征，增强对小目标特征的表达能力；然后使用Swish函数作为激活函数，提高网络对数据非线性特征的表征能力，加快模型的收敛速度；最后针对舰船目标的尺寸特点优化检测端结构，移除大目标检测头以减少推理计算量。测试集上的实验表明，该方法相较改进前将检测精度提高了5.2%且推理时间有所减少，在保证检测实时性的同时增强了模型的小目标辨别能力。     

基于感知向量的光学遥感图像舰船检测

针对光学遥感图像中近岸舰船目标检测干扰大、虚警率高的问题, 在基于包围框边缘感知向量(box boundary-aware vectors, BBAVectors)检测网络的基础上提出了改进方法。首先在特征融合网络后加入一个有监督的注意力模块来增强目标区域信息, 削弱无关背景信息干扰; 然后利用边界感知向量间的几何关系设计了一个自监督损失函数, 用以加强向量间的耦合关系, 防止向量独立性导致包围框出现不规则形状。实验结果显示, 在HRSC2016数据集L₂级检测任务中, 改进模型检测结果的平均精度相较于原网络提高了6.91%, 有效抑制了背景噪声的干扰, 降低了近岸舰船目标检测的虚警率, 证明了改进方法的有效性。     

复杂背景下SAR图像近岸舰船目标检测

针对合成孔径雷达(synthetic aperture radar, SAR)图像近岸舰船目标易受背景杂波的影响, 造成SAR图像近岸舰船目标检测检测率低、虚警率和漏检率高的问题，提出一种适用于复杂背景下SAR图像近岸舰船目标检测的DFF-Yolov5(deformable feature fusion you only look once 5)算法。构建了一个专门用于SAR图像复杂背景近岸舰船目标检测的数据集, 基于Yolov5目标检测算法, 在特征提取网络中进行特征细化和多特征融合两个方面的改进。在特征提取网络中利用可变形卷积神经网络改变卷积对目标采样点的位置, 增强目标的特征提取能力, 提高复杂背景下SAR图像舰船目标的检测率。在多特征融合网络结构中采用级联和并列金字塔, 进行不同层级的特征融合。同时，使用空洞卷积扩大特征提取的视觉感受野, 增强网络对复杂背景近岸多尺度舰船目标的适应性, 降低复杂背景下SAR图像舰船目标检测的虚警率。通过在构建的复杂背景近岸舰船检测数据集上的测试实验, 结果表明: DFF-Yolov5的平均准确率为85.99%, 相比于原始的Yolov5, 所提方法平均准确率提高了5.09%, 精度提高了1.4%。     

Visual attention based model for target detection in large-field images

It is of great significance to rapidly detect targets in large-field remote sensing images,with limited computation resources.Employing relative achievements of visual attention in perception psychology,this paper proposes a hierarchical attention based model for target detection.Specifically,at the preattention stage,before getting salient regions,a fast computational approach is applied to build a saliency map.After that,the focus of attention(FOA) can be quickly obtained to indicate the salient objects.Then,at the attention stage,under the FOA guidance,the high-level visual features of the region of interest are extracted in parallel.Finally,at the post-attention stage,by integrating these parallel and independent visual attributes,a decision-template based classifier fusion strategy is proposed to discriminate the task-related targets from the other extracted salient objects.For comparison,experiments on ship detection are done for validating the effectiveness and feasibility of the proposed model.     

基于SOM和SVM的遥感图像目标识别

提出了一种基于自组织特征映射 (SOM)神经网络和支撑矢量机 (SVM)相结合的遥感图像目标识别方法。该方法首先利用SOM对目标进行聚类 ,然后应用SVM方法对其进行分类识别。最后将该方法应用于二值遥感图像的目标识别 ,与仅用支撑矢量机方法的识别结果进行了比较 ,结果表明 ,这一方法对二值遥感图像目标具有很好的分类识别效果 ,且训练时间大幅度缩短。     

低信噪比图像中运动点目标的检测方法

图像中点目标的检测是目前比较活跃的研究领域,它在制导、天文观测、遥感等学科中有着重要的应用价值。在低信噪比条件下,要从图像中检测出运动的点目标存在着不少困难。本文首先分析了低信噪比情况下检测的难点,然后对目前七种有代表性的方法加以评介。     

基于ObjectNess BING 的海面多舰船目标检测

将一幅图像按照一个目标的大小进行缩放,然后计算其梯度特征,再对梯度特征进行标准化,二值化能够极大地提高目标候选区域的选择和检测计算效率,减少耗时。由于对海上舰船目标的检测是具有丰富角点的人造目标,对ObjectNess二值化标准梯度特征(binarized normed gradients, BING)方法中的目标候选区域提取算法进行改进,使其能够更加快速地进行候选区域的选择并保持较高的检测率。分析了海上多舰船目标的图像特征,提出了利用角点确定目标的候选基点,再利用ObjectNess BING检测模型训练获得的多目标尺寸进行候选区域的选择,对互联网上下载的多幅多舰船图像进行处理的结果表明,算法能够有效减少候选目标区域的数量并保持较高的检测概率。     

光学遥感图像目标检测方法

更快速区域卷积神经网络(faster region-based convolutional neural network,Faster RCNN)是两阶段的目标检测模型,通过区域生成网络将区域提议与识别完全融合到网络模型中,使主要的运算可以在图形处理器中完成,因此,其同时具有良好的检测速度与精度。但是当Faster RCNN直接应用于遥感图像目标检测,面对宽尺寸范围的多种目标时,性能受到了很大削弱。分析了池化操作和目标尺寸对区域提议的影响,提出联合多层次特征进行区域提议的方法,提升了目标区域的提议召回率。针对性地优化前景样本的生成策略,避免训练过程中的产生无效前景样本,使得整个检测模型的训练更加高效。实验结果表明,所提出的模型和训练方法能够提高多尺度遥感图像目标的召回率与检测精度,且具备较高的训练效率。