武汉第二船舶设计研究所, 湖北 武汉 430000
在复杂海域场景下如何综合利用舰船监测的多模态数据进行高效特征提取和特征融合, 以此来综合提升舰船识别精度仍存在巨大挑战。针对海域环境中舰船单一数据源识别准确率问题, 提出一种有效的多模态数据特征提取和特征融合的舰船识别算法, 然后基于深度残差网络模型进行特征融合以提升舰船识别准确率。通过实验结果对比, 相比于其他算法基于多模态数据的舰船识别算法平均准确率提升约18%, 有效地提升了舰船识别准确率, 对相关船舶领域的研发工作具有借鉴意义。
舰船识别 舰船轨迹 合成孔径雷达图像 多模态特征 深度残差网络 ship identification ship trajectory SAR image multi-modal features deep residual network
1 航天工程大学, a.研究生院
2 航天工程大学, b.电子与光学工程系, 北京 101000
针对当前SAR图像中飞机检测尺寸较小导致小目标检测率低、虚警率高的问题, 提出一种基于YOLOv5的改进方法。先采用K-means聚类算法针对飞机小目标尺寸优化锚框, 在主干网络融合Swin Transformer模块, 同时引入自适应学习权重的多尺度特征融合机制和全局注意力机制(GAM), 使网络跨越空间通道维度放大全局维度交互, 提高模型捕获不同维度信息的能力;并且增加一个小目标检测层, 提高网络对SAR图像飞机小目标检测能力。实验结果表明, 相较于原YOLOv5 方法, 改进方法在SAR图像尺寸较小飞机目标的检测上具有更强的特征提取能力和更高的检测精度。
SAR图像 小目标检测 SAR image small target detection YOLOv5 YOLOv5 Swin Transformer Swin Transformer GAM GAM
针对合成孔径雷达(SAR)目标分类问题, 联合二维变分模态分解(BVMD)和卷积神经网络(CNN), 通过二维变分模态分解获得原始SAR图像的多模态表示, 反映目标的全局和细节信息; 设计适当的卷积神经网络分别对各个模态进行分类并输出后验概率矢量; 基于Bayesian理论融合各个模态的后验概率矢量;并根据融合后的结果判定目标结果。所提方法通过结合二维变分模态分解和卷积神经网络的优势综合提升SAR图像目标分类性能。实验中, 基于MSTAR数据集对所提方法在4种典型场景下进行了测试并与现有方法进行对比, 结果表明所提方法性能更具优势。
合成孔径雷达图像 目标分类 二维变分模态分解 卷积神经网络 Bayesian决策融合 SAR image target classification BVMD CNN Bayesian decision fusion
深度学习算法应用于SAR图像分类领域时存在模型训练时间较长且精度不够高等问题。对此, 提出一种基于混合注意力机制的卷积神经网络模型, 该模型基本模块分为主干分支和软分支。主干分支由残差收缩网络和改良之后的通道注意力机制组成, 负责提取主要特征; 软分支将下采样和上采样相结合, 负责提取混合注意力权重, 增强从输入到输出的映射能力。该模型在MSTAR数据集上取得了99.6%的识别率, 且训练时间较短。噪声分析显示:该模型对椒盐噪声具有较强的鲁棒性。
SAR图像 深度学习 卷积神经网络 残差收缩网络 注意力机制 SAR image deep learning convolutional neural network residual shrinkage network attention mechanism
1 兰州交通大学测绘与地理信息学院，甘肃 兰州 730070
2 地理国情监测技术应用国家地方联合工程研究中心，甘肃 兰州 730070
3 甘肃省地理国情监测工程实验室，甘肃 兰州 730070
针对光学和SAR影像间非线性辐射差异和乘性噪声导致匹配效果不佳的问题，提出了一种耦合相位一致性与互信息的光学影像与SAR影像自动配准方法。首先，基于相位一致性矩特征图在参考影像上检测均匀分布稳定的特征点。其次，构建一种新的相似性测度最大索引图互信息，采用模板匹配策略实现同名点快速识别。最后，通过边缘化样本共识算法剔除外点，并利用分段线性变换模型几何纠正，实现光学-SAR影像间的精配准。对4组中高分辨率光学与SAR影像进行了实验，实验结果表明，所提方法相较于其他先进方法具有更高的配准精度。
遥感 光学和SAR影像 影像配准 非线性辐射差异 相位一致性 互信息 激光与光电子学进展
2022, 59(24): 2428003
1 空军工程大学航空工程学院, 西安 710000
2 西北工业大学电子信息学院, 西安 710000
3 中国人民解放军93046部队, 沈阳 110000
合成孔径雷达(SAR)图像自动目标识别(ATR)技术是人工图像解译的关键技术之一, 其旨在屏蔽固有噪声影响, 获取感兴趣区域内表征目标的潜在特征信息, 为目标识别提供有力的数据支撑。为了提升高分辨SAR图像目标识别精度, 围绕算法设计中的相干斑抑制和特征提取问题, 结合传统恒虚警率(CFAR)检测算法和深度卷积神经网络(DCNN)的最新研究, 设计了SAR图像自动目标识别框架。实验基于MSTAR标准数据集, 目标识别结果表明所构建模型的有效性。
SAR图像目标识别 相干斑抑制 特征学习 卷积自编码网络 卷积神经网络 target recognition of SAR image speckle suppression feature learning convolution auto-encoder network convolutional neural network
1 火箭军工程大学核工程学院, 西安 710000
2 中国人民解放军96882部队, 江西 赣州 341000
针对SAR图像数据获取困难的问题, 提出一种基于单幅图像训练的多尺度生成式对抗网络, 并应用于SAR飞机图像的增广。由于原始的生成式对抗网络设置单一尺度卷积核, 仅获得图像在固定感受野下的特征分布, 因此, 在对抗网络中融入多尺度分组卷积, 可以从不同尺度挖掘图像的分布特征, 增加生成图像的细节信息, 其结果是通过训练得到400幅新的SAR飞机图像样本, 并使用Faster R-CNN以及图像质量评价指标对增广数据集进行验证。实验结果表明: 生成图像的质量评价指标满足图像检测的需求; 使用Faster R-CNN算法结合生成式对抗网络数据增广使得平均检测精度由73.5%提升至77.6%。
SAR图像 飞机检测 数据增广 改进SinGAN SAR image aircraft detection data augmentation improved SinGAN Faster R-CNN Faster R-CNN
1 航天工程大学,a.研究生院
2 航天工程大学,b.电子与光学系, 北京 101000
随着合成孔径雷达技术的不断发展, 雷达图像目标识别成为重要的研究方向。近年来, 深度学习技术在雷达图像目标检测与识别方面得到了广泛应用, 然而, 数据样本量少和数据样本类别不均衡成为制约深度学习在合成孔径雷达目标识别中的重要因素。对基于深度学习的SAR图像目标识别算法进行了分析, 首先, 介绍了SAR图像目标识别常用数据集和多角度SAR图像目标识别方法; 然后, 针对SAR图像目标识别中数据样本量少与样本类别不均衡问题分别进行了总结; 最后, 讨论了目前SAR图像目标识别仍然存在的问题和下一步的工作计划。
合成孔径雷达 SAR图像目标识别 数据样本量少 类别不均衡 Synthetic Aperture Radar (SAR) SAR image target recognition small data sample size unbalanced categories
郑州工程技术学院 信息工程学院，河南 郑州 450044
针对舰船合成孔径雷达(SAR)图像识别中的图像分割问题，运用数理统计领域的方法，以舰船合成孔径雷达图像为研究对象，在深入分析经典K–Means聚类算法以及高斯混合模型之后，提出一个改进的高斯混合模型，用来对舰船合成孔径雷达图像进行分割。该方法采用马氏距离对经典K–Means方法进行改进，同时，将传统高斯混合模型的每一个概率分布，进一步再细分成单个的概率成分，在辅助变量计算过程中，采用梯度上升算法。仿真实验结果显示，研究得到了比使用经典K–Means算法和普通高斯混合模型的分割方法精确度更高、稳定性更好的分割结果。
舰船SAR图像 马氏距离 高斯混合模型 梯度上升算法 ship SAR image Mahalanobis distance Gaussian Mixture Model gradient ascent algorithm 太赫兹科学与电子信息学报
2021, 19(5): 905
