基于稠密连接神经网络的多尺度SAR图像舰船检测
合成孔径雷达(SAR)图像已广泛应用于舰船监视.近年来,深度学习方法开始逐渐应用于SAR图像舰船检测任务中,然而该类方法在处理尺寸较小的舰船时会产生较多漏警,并且对于包括水面和近岸的多场景SAR图像,它不能有效区分近岸复杂背景和舰船,从而产生大量虚警.本文提出了一种稠密连接端到端的多尺度神经网络,以解决SAR图像舰船检测的目标尺寸不一和多场景问题.在生成候选目标时,该方法不再使用一个单一的特征图,而是自顶向下将每一个特征图密集地连接起来,从每个融合后的特征图中生成候选目标.此外,本文提出了一种自适应分配样本权重的训练策略,以减少容易样本在损失函数中的权重,从而使训练过程更关注难例,以便减少虚警.公开数据集SSDD上的实验结果验证了该方法在多尺度、多场景SAR舰船检测中的优越性.
合成孔径雷达图像 神经网络 特征图 候选目标
张跃 孙显 许光銮 付琨
中国科学院电子学研究所 北京 100190
国内会议
西安
中文
1-18
2018-10-17（万方平台首次上网日期，不代表论文的发表时间）