在复杂的地理环境下的合成孔径雷达图像中检测船只,基于深度学习和形态网络
Shen Cao1, Congxia Zhao1, Jian Dong1
1Beijing Institute of Technology, Beijing 100081, China.
Sensors (Basel, Switzerland)
|July 13, 2024
概括
本研究提出了一种用于合成孔径雷达 (SAR) 船舶检测的新型深度学习方法,通过减少虚假阳性和错过检测来提高复杂海上环境中的准确性.
科学领域:
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 合成孔径雷达 (SAR) 船舶检测对于海上监视至关重要,但面临环境噪音和复杂地理位置的挑战.
- 现有的方法经常因斑点噪音,海岸线和岛屿而扎错误的阳性和错过的检测.
研究的目的:
- 开发一种使用深度学习和形态网络的先进SAR船只检测方法.
- 提高检测准确度,减少复杂海上环境中的错误.
主要方法:
- 使用具有形态网络的自适应预处理来增强船边特征和抑制噪音.
- 集成了一个坐标通道注意模块,以提高空间意识和减少错过的检测.
- 设计了一种四层双向特征金字塔网络,配备大规模特征地图,以详细捕捉船舶特征.
主要成果:
- 与YOLOX基线相比,拟议的方法在SSDD数据集上提高了3.11%,在HRSID数据集上提高了0.22%.
- 在SSDD上达到98.47%的平均平均精度 (mAP),在HRSID上达到91.71%,显示显著的性能增长.
- 在复杂的地理环境中有效增强检测能力.
结论:
- 开发的深度学习和形态网络方法显著提高了SAR船只检测性能.
- 该方法为海上监测应用提供了强大的解决方案,克服了传统技术的局限性.
