一种改进YOLOV5的遥感和SAR图像舰船目标检测

舰船目标检测技术因其在海洋监测中具有广泛的应用前景,而成为计算机视觉领域的研究热点之一。但是,实际检测场景存在多尺度舰船目标,并且遥感和合成孔径雷达(Synthetic Aperture Radar,SAR)图像因宽高比较大,以及复杂的背景条件,容易产生漏检、误检。针对这些问题,文中提出了一种改进YOLOV5的遥感和SAR图像舰船目标检测算法。首先,引入3×3的快速空间金字塔池化模块(3×3 Fast Spatial Pyramid Pooling Module,SPPF＿t)代替基线网络传统的空间金字塔池化模块(Spatial Pyramid Pooling,SPP);其次,在SPPF＿t之后引入卷积块注意力模块(Convolutional Block Attention Module,CBAM);然后,针对小型舰船目标容易造成漏检,提出了膨胀率为2的小尺度特征增强模块(Dilated Small-Scale Feature Enhancement Module with Rate 2,SFEM＿t),将增强后的特征图送入检测头进行检测;最后,将GIOU损失函数更换为CIOU损失函数...     

基于组网雷达的探测资源调配研究

为提升组网雷达探测资源的使用效率,提出了一种基于组网雷达的探测资源调配方法;基于整数规划算法选取探测雷达,结合多参数融合手段对探测方案进行优势排序,最终形成满足探测任务需求的最优资源调配方案,能够快速而准确地生成最优雷达组合;给出最优探测方案而无须手动调配,实现了组网雷达在探测过程中系统调配过程自动优化。仿真实验表明,该方法设计有效、可行,可用于实际作战中雷达探测资源的调配。     

基于端到端网络机制跨域稀疏SAR与光学图像精准匹配方法

由于合成孔径雷达(SAR)和光学图像两种模态之间存在显著的几何和辐射差异,传统方法难以实现SAR与光学图像的精准匹配。文中提出了一种基于端到端网络机制的跨域稀疏SAR与光学图像精准匹配方法。该方法首先预测每幅图像中最适合匹配的区域,然后通过多尺度特征空间互相关运算生成匹配热图,最后将匹配热图分为正匹配和负匹配来消除异常值,实现SAR与光学图像匹配的精确匹配。实验结果表明,所提方法性能指标优于已往SAR与光学图像匹配方法,可用于大规模场景的精确匹配,利于提升光学卫星图像的地理定位精度。     

基于多姿态角模型的SAR图像分类方法

针对传统合成孔径雷达(SAR)图像目标识别存在精度低、效率差的问题,提出一种多姿态角模型SAR图像分类方法。根据SAR图像姿态角敏感特性,首先将数据集按照不同方式和间距进行划分,得到不同的数据集组合,其次利用卷积神经网络训练划分后的数据集得到不同组子模型,并将效果最好的一组子模型融合成一种多姿态角模型,最后使用稀疏表示的方法对待测样本进行姿态角的角度估计,获取其姿态角信息后送入多姿态角模型中进行模型匹配,得到图像分类结果。实验结果表明,所提方法的目标识别准确率高于传统算法,在姿态角变化较小的数据集中训练得到的模型能够对目标群体进行更精确的目标类别估计。     

一种基于跳跃连接的全色锐化方法

跳跃结构通常对应着图像的边界或者不连续性区域,这些区域在不同图像中可能存在一定的错位或者不一致。通过跳跃结构可以改进图像融合过程中的边缘对齐问题,融合结果可以更好地保留图像的细节信息,使得融合后的图像更加清晰、细致,减少边缘不连续性问题的发生。为了在不影响损失度的情况下提高融合图像的光谱信息和空间细节,提升融合精度,减少信息丢失并提高网络性能。文中提出一种跳跃连接式深度卷积生成对抗网络的遥感图像融合方法,引入跳跃连接的结构,显式地使用残差块,形成“短路”连接,有助于梯度反向传播,防止深层网络训练困难,减少信息丢失并提高网络性能。     

基于短时傅里叶变换的干涉相位解缠方法

提出了一种基于二维短时傅里叶变换的干涉相位图解缠方法.该方法首先将干涉相位数据转变成指数,利用二维短时傅里叶变换进行处理,设置阈值,进行二维短时傅里叶逆变换;最后,求取复数相位,获得滤波后干涉相位,达到降低噪声和清除残差点的目的,并利用改进的Itoh方法对滤波后的相位进行相位解缠.仿真和实测数据处理结果验证了该方法的有效性,且与其他方法相比具有较高的精度.     

基于实测数据处理的统计优化反卷积实波束锐化算法

由于实波束地图方位分辨率低,从中很难分离出如机场、舰船及海岸线等目标的有用信息,使得战机无法实施对地、对海火力攻击。文中提出了一种基于实测数据处理的统计优化反卷积实波束锐化算法。该算法通过运动补偿及迭代算法,对实波束地图进行锐化,以实现方位超分辨。从仿真数据分析及实测数据处理的结果可以看出,所提方法能有效提高实波束地图的方位分辨率,具有很高的工程应用价值。     

基于深度学习的HRRP舰船目标识别性能分析

针对分辨率、信噪比、补零及深度置信网络等对深度学习舰船目标识别性能的影响问题,文中开展了基于实测数据的相关实验分析,整个实验分析处理过程包括回波信号对齐、数据脉冲压缩、信号能量归一化、深度学习模型训练、分类器设计及判决输出。实验分析结论为深刻理解基于深度学习的高分辨距离像舰船目标识别技术原理内涵,开展舰船目标识别工程化应用设计奠定了坚实的基础。