结合小波变换和K均值聚类的SAR舰船目标分割.pdf

行业分类-物理装置-一种基于注意力机制的合成孔径雷达舰船目标检测方法.zip

针对遥感图像中舰船形状狭长、分布杂乱等特性导致检测难度增大的问题,提出了一种基于快速区域卷积神经网络(Faster R-CNN)的舰船目标检测方法。采用双路网络提取舰船目标特征,为了使特征图充分融合底层细节信息和高层语义信息,用多尺度融合特征金字塔网络(MFPN)进行特征融合;在候选框生成阶段,提出了自适应旋转区域生成网络(AR-RPN),集中在目标中心位置生成旋转锚框,以高效获取优质的候选框。为了提升网络对舰船目标的检测率,结合改进的损失函数对网络进行优化。在HRSC2016和DOTA舰船数据集上的测试结果表明,本方法的平均精度分别为89.10%和88.64%,能很好地适应遥感图像中舰船的形状与分布特性。

深度神经网络下的SAR舰船目标检测与区分模型

针对合成孔径雷达(SAR)图像中舰船目标稀疏的特点,提出一种基于级联卷积神经网络(CNN)的SAR图像舰船目标检测方法.将候选区域提取方法BING与目标检测方法Fast R-CNN相结合,并采用级联CNN设计,可同时兼顾舰船检测的准确率和速度.首先,针对SAR图像中相干斑噪声影响梯度检测的问题,在原有梯度算子的基础上增加平滑算子,并对图像尺寸个数和候选框个数进行适应性改进,使其提取到的候选窗口更快更准;然后,设计级联结构的Fast R-CNN检测框架,前端简单的CNN负责排除明显的非目标区域,后端复杂的CNN对高概率候选区域进行分类和位置回归,整个结构可以保证快速准确地对舰船这种稀疏目标进行检测;最后,设计一种联合优化方法对多任务的目标函数进行优化,使其更快更好地收敛.在SAR图像舰船检测数据集SSDD上的实验结果显示,所提出的方法相比于原始Fast R-CNN和Faster R-CNN检测方法,检测精度从65.2%和70.1%提高到73.5%,每张图像的处理时间从2235ms和198ms下降到113ms.

海面舰船目标的检测与识别对于海面监测与目标打击具有重要意义, 弱小舰船目标由于缺少纹理信息且易受到海面阴影、噪声等因素的影响, 使得目前常用的检测方法效果较差。基于通道分离与负值扩展对比敏感函数提出了的海面弱小舰船目标检测方法。该方法首先构建像素强度通道与噪声-边缘通道的多分辨图像尺度金字塔; 之后, 构建不同尺度空间下的负值扩展对比敏感度函数, 调制对应各位置的权重; 最后, 利用各空间尺度系数加权获得两通道视觉显著性图像, 通过通道差分处理实现了含噪图像中弱小舰船目标的快速检测。实验结果表明：与其他5种算法相比较, 提出的方法具有较高的检测准确率（97.30%）、召回率（84.71%）及综合评价指标（94.49%）, 同时具备较强的抗噪声能力, 适用于含噪海面光学遥感图像中弱小舰船的检测。

目标建模与特征信号仿真是雷达对目标进行探测与识别的重要前提和基础 针对宽带条件 下大型舰船目标的雷达特征信号难以进行实测和缩比测量的难点 采用面元法对目标的雷达散射截 面(RCS)进行了有效的预估 通过多频点 RCS 成像方法获得目标的一维距离像特征信号 给出了具 体建模和仿真计算的实例 并进行了详尽的结果分析

针对海面背景舰船目标单一波段图像识别率低的问题, 提出了一种基于卷积神经网络(CNN)的融合识别方法。该方法提取可见光、中波红外和长波红外3个波段舰船目标特征进行融合识别。模型主要分为3个步骤：通过设计的6层CNN, 同时对三波段图像进行特征提取; 利用基于互信息的特征选择方法对串联的三波段特征向量按照重要性进行排序, 并按照图像清晰度评价指标选取固定长度的特征向量作为目标识别依据; 通过额外的2个全连接层和输出层进行回归训练。采用自建的三波段舰船图像数据库进行模型的训练和测试, 共包含6类目标, 5000余张图像。实验结果表明, 本文方法识别率达到84.5%, 与单波段识别方法相比有明显提升。

光学遥感图像中舰船检测，Matlab平台。可提取目标5个特征描述子。学习者可参考。

针对以离散余弦变换为核心的人类视觉模型舰船检测算法受数据类型限制的问题（即 对复数类型的数据检测效果不好），该文提出了一种改进的人类视觉模型 SAR 图像舰船检测算法。该算法是以快速傅里叶变换代替离散余弦变换，将 SAR 图像从空间域变换到频率域。快速傅里叶变换对数据类型要求较低，只要求数据是离散的，并且运行效率更高。