-
题名融合小波变换与旋转边界框的小型船舶检测算法
- 1
-
-
作者
高贵
魏晓慧
张茂林
廖律超
-
机构
福建理工大学交通运输学院
西南交通大学地球科学与工程学院
福建理工大学电子电气与物理学院
-
出处
《遥感信息》
北大核心
2025年第2期20-29,共10页
-
基金
福建理工大学科研启动基金(GY-Z220219)
福建理工大学专利资助项目(GY-Z20072)。
-
文摘
针对复杂场景下小型船舶在合成孔径雷达图像中检测精度低的问题,提出一种新的目标检测算法Hob-YOLO。算法根据小型船舶在合成孔径雷达图像中分辨率低的特性,采用小波变换与旋转边界框相结合的方法,融合了图像的局部信息和全局信息。通过小波变换替代传统的平均池化层,保留更多有效的特征信息,增强后续层对浅层语义特征的利用;通过旋转边界框代替水平边界框,准确地提取船舶区域的目标特征,并引入适用于旋转边界框的PIoU损失函数,减少预测框与真实框之间的误差。实验结果表明,Hob-YOLO在SSDD和HRSID数据集上分别取得了98.3%和91.3%的检测精度,显著提升了小型船舶目标的检测性能和泛化能力。
-
关键词
SAR图像
船舶检测
小波变换
旋转边界框
YOLOv8n
-
Keywords
SAR image
ship detection
wavelet transform
rotated bounding box
YOLOv8n
-
分类号
TP237
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于旋转目标感知网络的SAR船舶检测方法
- 2
-
-
作者
王梓懿
尹嘉豪
黄博斌
高峰
-
机构
中国海洋大学计算机科学与技术学院
中国海洋大学青岛市海洋信息挖掘与推理工程研究中心
-
出处
《北京航空航天大学学报》
北大核心
2025年第7期2498-2505,共8页
-
基金
科技创新2030-新一代人工智能重大项目(2022ZD0117202)
青岛市自然科学基金(23-2-1-222-zyyd-jch)。
-
文摘
目标尺寸变化多样且干扰因素多,目标有多种方向且训练样本数据量有限是当前合成孔径雷达(SAR)船舶检测方法主要面临的2个难题。为此,提出了一种用于SAR图像船舶检测的旋转目标感知网络RCAR-Net。主干网络使用基于多尺度Transformer架构的PVTv2,可以更好地保留特征图的局部连续性,同时更好地融合图像的多尺度特征;将旋转边界框与RetinaNet结合,有效减少了背景冗余以及噪声的干扰;引入Cutout方法进行数据增强,用现有样本的部分遮挡来扩大数据集,提高模型的鲁棒性和泛化能力;为了在保证检测精度的同时节省计算和内存开销,使用高效的CARAFE算子对低分辨率的特征图进行上采样,提高多尺度融合效果。RCAR-Net在SSDD和HRSID这2个SAR船舶检测数据集的平均精度分别达到93.63%和90.37%,明显优于DPAN、PANet等方法,对于目标尺寸变化和噪声干扰具有较强的适应性。
-
关键词
合成孔径雷达
船舶检测
旋转边界框
深度学习
注意力机制
-
Keywords
synthetic aperture radar
ship detection
rotated bounding box
deep learning
attention mechanism
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
