论文部分内容阅读
近几年深度学习在目标检测领域的不断发展,使得SAR图像目标检测技术在海洋监测、渔业管理以及科学研究等领域均得以广泛应用。同时,我们注意到,现有检测模型大多基于光学图像设计,将其直接应用于SAR图像船舶目标检测往往达不到预期的效果,且SAR图像较光学图像而言较难获取,因此在模型训练过程中通常存在数据量不足导致模型过拟合的问题。为此,论文主要研究了基于深度学习的SAR图像生成算法及适用于SAR图像的船舶目标检测模型。旨在通过基于深度学习的图像生成算法解决SAR图像目标检测过程数据量不足的问题,以及结合特征融合、双注意力机制等技术手段实现适用于SAR船舶目标检测的网络模型。论文的主要工作包括:(1)提出了一种基于Wasserstein距离的深度卷积生成式对抗网络模型(WI-DCGANs)。为了扩充检测数据集增强数据多样性,论文提出了一种结合DCGANs与WGANs的生成对抗式网络模型WI-DCGANs,该模型针对传统生成对抗网络GAN存在的模型训练不稳定、生成样本多样性不足及质量差等问题,采用了基于深度神经网络的生成器及判别器模型,生成器模型中引入残差思想,在增加网络深度和提高模型特征提取能力的基础上,避免梯度消失的问题;同时将Wasserstein距离引入模型损失函数,并使用梯度惩罚策略限制数据生成范围以加快模型收敛速度,并通过实验验证了该生成对抗式网络能够有效生成SAR船舶图像,丰富数据集。(2)提出了一种多尺度特征融合的改进SSD目标检测算法TF-SSD。鉴于SAR图像中船舶目标尺寸普遍较小的特点,论文在SSD网络模型的基础上引入反卷积网络和element sum特征融合的方式,利用浅层特征图与各特征层之间信息融合来弥补SSD网络对SAR图像小尺寸船舶目标不够鲁棒的缺点。通过实验对比,所提模型与SSD模型相比平均检测精度提升了2.6%;在扩充数据集上,与Faster RCNN和YOLOv3相比其综合评价指标F1-score分别提升了5.5%和7.9%,表明该模型对SAR船舶目标检测具有较好的鲁棒性;同时,通过实验表明数据增强技术能够有效提升模型检测性能。(3)提出了一种基于双注意力机制的复杂背景SAR图像船舶目标检测算法DASSN。针对复杂背景SAR船舶目标检测易受地物干扰影响,导致模型检测率低的问题,将结合通道和空间的双注意力机制引入目标检测网络;将膨胀卷积和concat特征融合技术应用于目标检测网络中提升模型对小目标的鲁棒性;为了提高模型的检测速度,采用轻量级Mobile Net作为基础特征提取网络;用一个新的二分类损失函数使模型训练能够对难易样本设置不同的权重。实验表明,所提算法在复杂背景SAR船舶目标检测中其平均检测精度与F1-score值分别为88.9%,91.2%,检测速度达42.1fps,验证了所提模型不仅能够有效提升复杂背景SAR图像船舶检测精度,而且在一定程度上提高了检测速度。综上,所提WI-DCGANs模型能够有效生成SAR图像,增强数据集,为模型训练提供数据保障;TF-SSD网络能够更好的适用于SAR图像船舶目标检测,尤其是对小尺寸船舶目标检测具有较好的提升效果;DASSN的提出有效提升了模型在复杂背景SAR图像上的船舶目标检测效果。