基于全局位置信息和残差特征融合的SAR船舶检测算法

作     者：方小宇 黄丽佳 FANG Xiaoyu;HUANG Lijia

作者机构：中国科学院空天信息创新研究院北京100190 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 中国科学院大学电子电气与通信工程学院北京100049 

出 版 物：《系统工程与电子技术》 (Systems Engineering and Electronics)

年 卷 期：2024年第46卷第3期

页      面：839-848页

核心收录：

学科分类：080904[工学-电磁场与微波技术] 0810[工学-信息与通信工程] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 081105[工学-导航、制导与控制] 081001[工学-通信与信息系统] 081002[工学-信号与信息处理] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 

基　　金：中国科学院青年创新促进会(2019127)资助课题 

主　　题：合成孔径雷达 船舶检测 注意力机制 特征金字塔网络 残差连接 

摘      要：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。