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。     

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。     

基于关键点的遥感图像舰船目标检测

针对当前舰船目标检测算法存在锚框遍历计算成本高和特征旋转适应性不足等问题, 提出基于关键点的遥感图像舰船目标检测方法, 通过预估舰船中心点实现目标检测。首先, 引入深度可分离卷积降低参数冗余, 结合SimAM无参注意力机制, 增强对舰船目标的关注度。其次, 引入方向不变模型(orientation-invariant model, OIM)生成方向不变特征图, 增强网络对旋转目标的适应能力。最后, 考虑到遥感图像舰船目标任意方向密集排列, 但舰船目标中心点不变的特点, 采用直接预测目标的中心点, 再回归偏移量、目标尺度和角度的思路, 摆脱锚框遍历机制, 提高检测速度。在HRSC2016和RFUE2021数据集上进行对比实验, 实验结果充分说明了本文方法的有效性和先进性。     

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。     

基于低秩双线性池化注意力网络的舰船目标识别

针对多模态舰船图像融合识别质量不高等问题，构建了一种端到端的低秩双线性池化注意力网络。首先对各模态原始特征向量基于跨模类别中心进行注意力加权重构，使不同模态特征更好地关注公共类别信息；然后采用双线性池化捕获不同模态图像的交互信息，并引入权重低秩分解降低网络参数规模；最后依靠特征级联实现模态信息的交互与互补，并设计联合损失提升网络跨模态融合识别效果。实验结果表明，相比现有融合方法，所提方法可有效提升多模态遥感舰船图像的融合识别效果，在公开的遥感舰船数据集上取得了较高的识别准确率。     

基于YOLO网络系统的材料缺陷目标检测方法研究

基于图像的传统材料缺陷目标检测技术存在检测精度低,检测速度慢等问题。卷积神经网络(CNN)的出现很大程度上改善了上述问题,但是大多数的CNN都是基于候选区域方法来对目标进行定位,这样虽然能够提高检测的精度,但是对于实时检测系统而言,受硬件条件限制,检测速度难以满足工业实时检测要求。针对这一问题,本文提出了一种基于YOLO网络系统的材料缺陷目标检测算法来提高检测速度,利用YOLO网络把整张图像作为输入,直接在输出层回归目标边界框的位置和其类别,不再需要候选区域生成步骤,但是这样会对精度有所损失,所以最后本文对YOLO网络系统进行优化,利用DenseNet网络的优点,结合神经网络前面特征层的信息,在不影响检测速度的同时,保证材料缺陷目标检测的精度。     

基于图像灰度熵的团块目标检测方法

针对面向自动目标识别(ATR)的图像数据压缩方法,感兴趣区域(ROI)检测器的设计是需要解决的一个关键问题。图像灰度熵可以有效地反映图像中像素灰度变化的剧烈程度,并且与图像均值有关。提出了一种基于图像灰度熵的团块目标检测方法,实现了对可见光和红外图像中坦克、飞机、舰船等团块目标的有效检测。实验表明该方法具有较好的稳健性和适应性,优于基于分水岭的检测方法,满足面向ATR图像数据压缩方法ROI检测器的设计要求。     

基于航空图像的航天光学遥感器成像的仿真

针对早期光学遥感成像模拟软件基于地面图像的情况,提出针对机载航空图像进行航天光学遥感器成像仿真的方法。以在一定高度下机载航空图像为基础,利用经验线性法进行反射率反演,借助于大气辐射传输软件MODTRAN对地面反射率图像进行大气修正,结合航天光学遥感器定标系数得到了灰度值图像。实际应用表明,利用机载光学遥感器对研究区域进行光学成像,通过系统仿真得到航天遥感图像,从而为目标识别、伪装效果检验等提供了有效的手段。     

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。     

面向星上的云层探测与规避算法

为避免在遥感卫星成像过程中,因云层遮挡影响光学卫星得到有效的地面目标信息,提出面向星上的云层探测和规避算法。首先利用自适应阈值分割目标和背景,并对分割后的二值图像进行标记,然后提出形状复杂度的概念并计算各连通域的形状复杂度,设定阈值后提取云层区域。建立了卫星轨道空间坐标系和规避云层的模型,推导了敏捷卫星姿态角调整公式,设计了卫星组网通过星间通讯在可见窗口观测目标的方案。通过实验与仿真得出该算法检测云层时间在168~281 ms范围内,正确率为89%,卫星数据利用率在两组轨道参数下分别提高18.15%和22.21%。基本能够将准确度和实时性指标有效结合,并缓解了遥感图像海量数据对传输通道的压力。     

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。     

基于改进混合对数正态分布模型的隐身飞机动态RCS统计特性分析

针对经典模型描述复杂航迹情况下的隐身飞机动态雷达散射截面(radar cross section,RCS)统计分布特性精度不足的问题,提出一种精度更高、拟合效果更好的改进混合对数正态分布模型.首先,基于目标电磁散射数据建立隐身飞机静态RCS数据库.其次,结合实战过程中隐身飞机的运动规律,对其进行复杂机动航迹建模,解算得...     

基于模糊神经网络的海面目标战术意图识别

传统的基于遥感解译获取的海面目标信息分析战术意图的方法,需要大量的专家知识确定输入目标属性与输出意图间的网络节点关系,而模糊神经网络只需利用输入和输出训练网络,减少了专家知识的需求。针对常用的高木〖CD*2〗关野模糊模型不适用于战术意图识别要求的输出与输入非线性的问题,设计了基于神经网络集成的模糊系统模型,利用目标属性与对应的战术意图形成训练样本训练神经网络,分别获得输入条件的模糊隶属度以及面向不同意图的输出函数,据此识别海面目标战术意图。仿真实验结果表明,获得的目标战术意图的准确度高,与想定情况均相符。     

基于泛化深度迁移特征的高分遥感场景分类

针对深度卷积神经网络(deep convolutional neural network, DCNN)迁移至高分辨率遥感场景分类的问题。设计了有效的网络结构用于增强DCNN在高分辨率遥感场景分类任务中的泛化能力。首先,线性主成分分析网络被用于整合高分辨率遥感图像的空间信息,减小DCNN在迁移过程中源数据集与目标数据集之间的空间差异。随后,经整合的图像输入预训练的DCNN,提取到更具泛化性能的全局特征表达。两个公开遥感数据集(UC Merced 21和WHU-RS 19)的试验结果表明,在不改变DCNN结构参数的情况下,相比现有方法,所设计的网络结构能够有效提升遥感场景分类精度。     

基于贝叶斯压缩感知的SAR目标识别

针对合成孔径雷达(synthetic aperture radar, SAR)目标识别问题,提出一种基于贝叶斯压缩感知(Bayesian compressive sensing, BCS)的图像域SAR目标识别方法。该方法首先对SAR图像进行分割预处理,得到目标区图像数据;然后基于BCS模型,根据训练样本构造传感矩阵;求解测试样本相应的稀疏系数矢量,根据稀疏系数矢量中对应训练样本类别元素的L2范数判定目标类型。采用美国运动和静止目标获取与识别(moving and stationary target acquisition and recognition, MSTAR)计划公开发布的SAR目标数据库进行实验,结果表明该方法具有良好的识别效果。