论文部分内容阅读
基于合成孔径雷达(Synthetic Aperture Radar,SAR)图像的舰船检测已成为SAR图像解译的关键技术问题之一,也是目前海上应用中最重要的一部分,在民用和军事领域有重要意义。由于不同舰船目标在SAR图像中的尺度跨度很大,而且传统的舰船检测方法对小尺度舰船不敏感,因此研究多尺度舰船检测方法已成为SAR图像舰船目标检测的重点研究方向。近年来,基于卷积神经网络(Convolutional Neural Network,CNN)的目标检测在光学领域取得了显著成功,基于CNN的舰船检测方法凭借其自动提取特征、检测准确性高的特点,适用于越来越复杂的海面环境中,逐渐成为SAR图像舰船检测研究的必然趋势。本文立足于CNN能自动学习特征的特点,设计基于深度特征的SAR图像舰船检测方法,主要工作如下:首先,本文总结了SAR图像舰船目标检测的发展现状,分析了现有的舰船检测方法的优势及存在的不足。简要介绍了CNN的基本理论和深度特征的基本提取方法,重点阐述了基于CNN的目标检测方法,并通过实验探索提取的深度特征对SAR图像舰船目标检测的有效性。其次,针对仅利用CNN的深层特征进行检测造成的小尺度舰船目标的漏警问题,本文研究了基于深度特征融合的SAR图像舰船检测方法。详细介绍了点像素逐位相加的深度特征融合方法以及它的典型应用——特征金字塔网络,由此提出了基于通道拼接融合方式的密集连接的特征金字塔网络,并通过实验探索了基于不同深度特征融合方法的密集连接方式对SAR图像舰船目标检测的有效性。最后,针对海量的深度融合特征造成的检测性能下降的问题,本文重点研究了卷积注意力模块(Convolutional Block Attention Module,CBAM)这种深度特征选择方法,将其融入密集连接的特征金字塔网络中,提出了基于密集注意力金字塔网络(Dense Attention Pyramid Network,DAPN)的SAR图像舰船检测方法,并通过实验探索了DAPN对SAR图像多尺度舰船检测的可行性;同时,与现有的舰船检测方法进行对比。实验结果表明,在SAR图像远岸和近岸等不同场景中,本文提出的方法均具有较高的检测精度,与现有的方法相比有明显的优势。