南京航空航天大学(Nanjing University of Aeronautics and Astronautics,NUAA)雷达探测与成像团队利用自主研发的无人机载微小型合成孔径雷达(Synthetic aperture radar,SAR)系统针对不同型号的坦克、装甲车和战机等十余类典型军事目...南京航空航天大学(Nanjing University of Aeronautics and Astronautics,NUAA)雷达探测与成像团队利用自主研发的无人机载微小型合成孔径雷达(Synthetic aperture radar,SAR)系统针对不同型号的坦克、装甲车和战机等十余类典型军事目标构建了圆周SAR数据集。通过对多次外场试验数据的高精度成像处理,在多俯仰角单基圆周SAR图像数据集的基础上,扩展了不同双基角组合的双基圆周SAR图像数据集。基于该数据集,本文结合团队在SAR图像目标检测和识别方法及应用方面的研究成果,对基于深度学习的SAR目标检测识别技术进行了回顾和综述,对比了不同神经网络模型在南航无人机载圆周SAR数据集上的检测和识别性能。具体地,在目标检测方面,利用SAR图像固有属性获得目标位置信息并结合单阶段轻量级检测算法,提出利用信息分布规律并结合全局注意力机制捕捉小目标位置信息的检测算法,以提高复杂背景下的小目标检测准确率和效率。在目标识别方面,在通过SAR图像先验信息抑制干扰噪声的基础上,提出利用SAR目标多视角信息联合Transformer的目标识别算法,通过设计视角正则化项以约束多视角之间的关联性从而实现不同视角间的特征融合,提高SAR小目标识别的准确率。从无人机载微型SAR系统对地面目标进行实时检测和识别的实际需求出发,本文还探讨了轻量化检测和识别网络在数字信号处理(Digital signal processing,DSP)平台上的部署方案,同时展示了初步试验结果。最后,本文展望了SAR目标智能检测和识别领域面临的挑战和发展趋势。展开更多
近年来,卷积神经网络在合成孔径雷达(synthetic aperture radar,SAR)图像船舶检测中取得突出成就,但小目标检测方面仍然存在较大不足。对此,提出一种基于YOLO(you only look once)v5的改进检测网络,结合空间感知通道注意力、自注意力机...近年来,卷积神经网络在合成孔径雷达(synthetic aperture radar,SAR)图像船舶检测中取得突出成就,但小目标检测方面仍然存在较大不足。对此,提出一种基于YOLO(you only look once)v5的改进检测网络,结合空间感知通道注意力、自注意力机制和上下文特征融合策略,以提高小型船舶的检测性能。首先,通道注意力机制抑制了背景信息并强调目标特征,显著提高检测精度。其次,在YOLOv5的骨干网络和检测层中引入自注意力模块,以捕获全局信息,增强定位能力。最后,通过融合浅层和深层特征,补充特征提取中丢失的小目标信息,进一步提高检测精度。基于大规模SAR船舶监测数据集(large-scale SAR ship detection dataset version 1.0 LSSSDDv1.0)数据集的实验结果表明,改进后的网络的全类平均精度(mean average precision,mAP)0.5指标达78.9%,显著优于现有方法。展开更多
文摘南京航空航天大学(Nanjing University of Aeronautics and Astronautics,NUAA)雷达探测与成像团队利用自主研发的无人机载微小型合成孔径雷达(Synthetic aperture radar,SAR)系统针对不同型号的坦克、装甲车和战机等十余类典型军事目标构建了圆周SAR数据集。通过对多次外场试验数据的高精度成像处理,在多俯仰角单基圆周SAR图像数据集的基础上,扩展了不同双基角组合的双基圆周SAR图像数据集。基于该数据集,本文结合团队在SAR图像目标检测和识别方法及应用方面的研究成果,对基于深度学习的SAR目标检测识别技术进行了回顾和综述,对比了不同神经网络模型在南航无人机载圆周SAR数据集上的检测和识别性能。具体地,在目标检测方面,利用SAR图像固有属性获得目标位置信息并结合单阶段轻量级检测算法,提出利用信息分布规律并结合全局注意力机制捕捉小目标位置信息的检测算法,以提高复杂背景下的小目标检测准确率和效率。在目标识别方面,在通过SAR图像先验信息抑制干扰噪声的基础上,提出利用SAR目标多视角信息联合Transformer的目标识别算法,通过设计视角正则化项以约束多视角之间的关联性从而实现不同视角间的特征融合,提高SAR小目标识别的准确率。从无人机载微型SAR系统对地面目标进行实时检测和识别的实际需求出发,本文还探讨了轻量化检测和识别网络在数字信号处理(Digital signal processing,DSP)平台上的部署方案,同时展示了初步试验结果。最后,本文展望了SAR目标智能检测和识别领域面临的挑战和发展趋势。
文摘近年来,卷积神经网络在合成孔径雷达(synthetic aperture radar,SAR)图像船舶检测中取得突出成就,但小目标检测方面仍然存在较大不足。对此,提出一种基于YOLO(you only look once)v5的改进检测网络,结合空间感知通道注意力、自注意力机制和上下文特征融合策略,以提高小型船舶的检测性能。首先,通道注意力机制抑制了背景信息并强调目标特征,显著提高检测精度。其次,在YOLOv5的骨干网络和检测层中引入自注意力模块,以捕获全局信息,增强定位能力。最后,通过融合浅层和深层特征,补充特征提取中丢失的小目标信息,进一步提高检测精度。基于大规模SAR船舶监测数据集(large-scale SAR ship detection dataset version 1.0 LSSSDDv1.0)数据集的实验结果表明,改进后的网络的全类平均精度(mean average precision,mAP)0.5指标达78.9%,显著优于现有方法。
