基于全局位置信息和残差特征融合的SAR船舶检测算法

• Published in: 系统工程与电子技术 Vol. 46; no. 3; pp. 839 - 848
• Main Authors: 方小宇, 黄丽佳
• Format: Journal Article
• Language: Chinese
• Published: 中国科学院空天信息创新研究院,北京 100190 01.03.2024; 中国科学院大学电子电气与通信工程学院,北京 100049; 中国科学院空间信息处理与应用系统技术重点实验室,北京 100190
• Subjects: 船舶检测; 注意力机制; attention mechanism; 合成孔径雷达; feature pyramid network; 特征金字塔网络; ship detection; residual connection; synthetic aperture radar(SAR); 残差连接
• ISSN: 1001-506X
• DOI: 10.12305/j.issn.1001-506X.2024.03.09

TN95; 针对合成孔径雷达(synthetic aperture radar,SAR)图像船舶目标尺度不一且易受海面、地面杂波和相干斑噪声的影响,难以提取目标多维特征且特征融合过程中易产生语义歧义,造成船舶 目标检测率低,虚警率高的问题,提出一个基于全局位置信息和残差特征融合的SAR船舶目标检测算法.基于Faster区域卷积神经网络(region convolutional neural network,R-CNN)目标检测算法,在特征提取网络和特征融合网络中进行改进:在特征提取网络中使用高宽注意力机制提取目标在图像中的全局位置信息,增强 目标的多维特征提取能力;在特征融合网络中使用带有残差连接的双向特征金字塔网络削弱特征融合过程中的语义歧义,降低复杂背景下的船舶目标虚警率,同时进行不同层级的多尺度特征双向融合,增强高低层特征的联系,提升多尺度船舶目标的检测能力.在SAR船舶数据集上达到98.2％的均值平均精度,超过部分算法2.4％以上.实验表明,所提算法有效提取了 目标的多维特征,显著缓解了语义歧义问题,具有较好的检测能力和泛化能力.