舰船检测

摘要： 由于域偏移的存在,多源图像舰船目标检测任务面临着不同源传感器带来的图像风格差异难题.另外,为特定数据源训练特定的检测模型会消耗大量的计算资源,严重限制了其在军民用领域的工程应用.因此,设计一个通用网络以有效检测来自不同源遥感数据的舰船目标成了当下的研究热点.针对该需求,本文提出了一种基于不变特征的通用舰船目标检测方法,通过充分利用多源数据之间的共享知识实现通用遥感目标的网络检测.本方法由2部分组成:图像级的风格转换网络和特征级的域自适应网络.具体地,前者采用风格转换网络生成接近真实分布的伪多源图像,拉近多源数据之间的分布,在图像层面上学习多源数据的不变特征;为学习特征层面上多源数据的不变特征,后者通过适应网络对多源特征进行信息解耦,通过域注意力网络的自适应权重分配实现特征重组.本文在NWPU VHR-10,SSDD,HRSC和SAR-Ship-Dataset数据集上进行实验验证,结果表明:所提方法通过不变特征之间的信息互补,缓解了域偏移问题,可有效检测多源遥感数据.本文方法在上述多源数据集上的平均mAP为90.8%,相比现有主流舰船目标检测方法可以提高1.4%~10.6%.

摘要： 目标检测技术是计算机视觉中的重要任务,舰船的目标检测是保证海面安全不可或缺的技术,提出了一种改进Faster R-CNN的可见光舰船图像目标检测方法。针对Faster R-CNN网络舰船目标检测时出现的尺度较为单一及ROI池化造成的精度损失问题,通过引入特征金字塔模块实现多尺度特征融合,并将ROI池化的下采样策略优化为ROI对齐方法,以此提升目标检测精度。实验表明,在可见光舰船数据集上取得了较好的效果,优化后网络模型使用VGGNet-16作为主干网络精度提升了5%,使用ResNet-101作为主干网络精度提升了5.4%,比YOLOv3精度最高提升了6.6%。

摘要： 近年来针对合成孔径雷达(synthetic aperture radar,SAR)图像中缺乏颜色和纹理细节的舰船检测技术在深度学习领域中得到了广泛研究,利用深度学习技术可以有效避免传统的复杂特征设计,并且检测精度得到极大改善。针对舰船目标检测框具有高长宽比和密集排列问题,提出一种基于改进YOLOv5的目标检测方法。该方法针对舰船目标检测框特点将检测框长宽作为参数进行综合考虑并对损失函数进行曲线优化,并结合坐标注意力机制(coordinate attention,CA),在模型轻量化的同时实现对舰船目标检测的高速与高精度并存。实验结果表明:相比原YOLOv5方法,该方法的检测精度由原来的92.3%提升到96.7%,mAP(mean average precision)指标由原来的92.5%提升到97.2%,明显优于对比方法。通过改进检测框损失函数和特征提取方式,提高对SAR图像中舰船目标的检测效果。

摘要： 近年来,在基于深度学习的SAR舰船目标检测算法中,总是存在着对紧密排列的舰船目标和小尺寸舰船目标漏检的问题。针对上述问题,提出了一种改进的YOLOX算法,用于减少紧密排列的舰船目标和小尺寸舰船目标的漏检率。采用Mish代替LeakyReLU的方法改进了激活函数,从而提高了模型的泛化能力;采用Soft-NMS代替传统NMS,减少传统NMS所导致的漏检;在CSPDarkNet末尾加入卷积块注意力机制模块(CBAM),用于提升网络提取特征的效果。在公开的SAR舰船数据集SSDD上进行了实验。结果表明,算法经过改进,有效减少了YOLOX在检测紧密舰船目标和小尺寸舰船目标时发生的漏检现象。

摘要： 基于深度学习实现的目标检测方法在自然图像中取得非常大的成功,而将诸多方法运用于合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测逐步成为新的趋势。如何将已有方法改进并与SAR图像的特点相结合完成特定的检测任务,已经成为当前主要的研究方向。不同于当前已有方法,本文对存在的深度学习SAR图像舰船目标检测方法进行了再思考,提出了基于语义分割实现的检测、分割一体化方法。通过语义分割实现的检测方式能够有效地避免当前诸多检测网络的复杂解码过程,具有生成的预测框更加贴合目标、精度以及召回率更高等特点。该方法虽属于无锚框检测,但实验结果表明,达到了双阶段检测效果,且具有更加精细化的分割结果,适用于复杂背景检测与分割问题。

摘要： 针对目前舰船目标检测中,多目标情况下的舰船目标很容易被多目标遮挡,造成舰船目标漏检、分类错误等问题,提出了一种基于改进RFBnet(I-RFBnet)的自然图像目标检测方法。使用池化特征融合模块(PFF)和反卷积特征融合模块(DFF)进行特征融合,形成新的六个有效特征层。提出一种跨步长卷积方式来提取特征单元在原图中的关心区域信息,设计了融入注意力机制的膨胀卷积模块(dilate convolutions block,DB)和新的前三个有效特征层再次进行特征融合。引入聚焦分类损失函数解决训练过程中正负样本分布不均衡的问题;最后通过对规模船只检测数据集SeaShips训练后,保存其模型。实验结果表明:改进后的算法检测效果良好,尤其在多目标遮挡下的小目标效果显著。平均精度均值为96.26%,比改进前的算法提高了4.74个百分点,帧率达到26 FPS(frame per second),满足实时检测的需求。

摘要： 合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测在军事和民用领域有着重要的应用.然而随着SAR图像成像能力的提升,SAR成像场景越来越大,舰船目标检测存在两个难点:一是舰船目标在整幅图像中所占比例极小,很难与周围背景分开;二是靠岸舰船目标通常密集排列,目标之间难以区分.目前常用基于锚框的检测方法容易造成大场景SAR图像中舰船目标的漏检.为解决上述问题,本文提出了基于目标中心点的大场景SAR图像舰船目标检测方法.在进行海陆快速分割的基础上,采用CenterNet无锚框检测器,通过关键点估计来定位目标的中心点,并由中心点的信息回归得到目标边界来实现目标检测,从而有效避免了基于锚框的检测方法可能存在的漏检问题.基于公开数据集SAR-ship-Dataset的实验表明,本文方法能够精确检测大场景SAR图像中的舰船目标,检测率达到92.4%;针对密集排列目标,相较于SSD、YOLO、Fast R-CNN等方法,本文方法也能够获取最优检测性能.

摘要： SAR图像中舰船目标稀疏分布、锚框的设计,对现有基于锚框的SAR图像目标检测方法的精度和泛化性有较大影响,因此该文提出一种上下文信息融合与分支交互的SAR图像舰船目标无锚框检测方法,命名为CI-Net。考虑到SAR图中舰船尺度的多样性,在特征提取阶段设计上下文融合模块,以自底向上的方式融合高低层信息,结合目标上下文信息,细化提取到的待检测特征;其次,针对复杂场景中目标定位准确性不足的问题,提出分支交互模块,在检测阶段利用分类分支优化回归分支的检测框,改善目标定位框的精准性,同时将新增的IOU分支作用于分类分支,提高检测网络分类置信度,抑制低质量的检测框。实验结果表明:在公开的SSDD和SAR-Ship-Dataset数据集上,该文方法均取得了较好的检测效果,平均精度(AP)分别达到92.56%和88.32%,与其他SAR图舰船检测方法相比,该文方法不仅在精度上表现优异,在摒弃了与锚框有关的复杂计算后,较快的检测速度,对SAR图像实时目标检测也有一定的现实意义。

摘要： 合成孔径雷达(SAR)具有不受云层干扰、可全天时、全天候对地观测的特点,基于SAR图像的舰船检测已广泛用于海洋搜救、港口侦察、领海防御等民用或军用领域。然而,与大型舰船相比,像素点少、对比度低的小型舰船存在漏检率高的问题,并且速度和精度之间的平衡成为舰船检测算法天基应用的难点。针对以上问题,本文提出了一种基于YOLOv5s模型改进的舰船检测轻量化模型(ImShips)。首先,针对船体大小差异导致的漏检问题,采取在网络底部使用感受野较小的标准卷积,提升了模型对小规模舰船空间信息的获取能力。同时,在网络顶部设计了放大感受野的扩张卷积,保留了更多的语义特征,有利于大目标的特征提取。接着,提出将轻量级的通道注意力机制应用于YOLOv5的骨干网络和特征融合网络,通过对提取到的特征按重要性分配权重,实现纹理信息的筛选。最后,在下采样时采取深度可分离卷积代替标准卷积,减少了模型参数的数量,进一步提高了模型的推理速度。实验结果表明,在SAR舰船检测SSDD和ISSID数据集中,改进后的ImShips模型在保证精度的同时,所需的浮点计算数比YOLOv5s模型减少了45.61%,检测速度提高了8.31%。ImShips模型网络规模小、检测速度快,在实时天基舰船检测中具有较大的应用潜力。

摘要： 针对传统舰船遥感图像存在背景复杂和信息模糊等问题,提出一种基于超分辨率重建的舰船遥感图像小目标检测算法.该方法首先通过超分辨率重建技术对信息模糊的原始遥感图像进行清晰重建,防止重建图像过程中出现过大的固有特征损失和过于平滑的梯度变化.在此基础上建立Faster R-CNN网络,自动提取图像数据集目标特征,准确地实现舰船遥感图像中的小目标识别.实验结果表明,基于超分辨率重建的检测算法的综合效率达到65.5%,相比传统算法提高12.9%.由此证明,改进后的算法能够有效克服目标尺寸小和识别背景复杂所带来的检出率低和准确率差等问题.

摘要： 为提高利用SAR(Synthetic Aperture Radar)图像进行舰船检测的准确性,降低复杂陆地区域对舰船检测的干扰,提出一种基于Mask R-CNN网络实例分割的SAR图像舰船检测技术.应用Mask R-CNN实例分割网络,获得SAR图像中陆地和船的初始位置信息,远洋船舶一般能实现较准确的检测,靠岸船舶常受到接泊陆地区域的干扰,易发生虚警和漏检,为了进一步提升靠岸船检测的准确性,进行结合陆地及船舶初始检测位置的虚警剔除和靠岸船寻回.在公开高分辨率SAR舰船检测数据集-1.0和自制难例数据集上实验显示,该方法较传统的恒虚警率检测方法和深度学习中回归框检测方法,能够实现较高准确性.

摘要： 近年来,深度学习方法被成功应用于SAR图像舰船检测任务.由于近岸背景的强干扰以及目标尺度的多样性,复杂场景下的多尺度舰船检测仍然面临较大的挑战.现有的基于深度卷积神经网络的方法无法较好地处理近岸虚警较多的问题,而且对多尺度目标的检测效果不佳.本文提出一种基于自适应特征重构金字塔的多尺度SAR舰船检测方法.该方法首先引入全局上下文(Global Context,GC)模块对特征进行提取,利用舰船目标的上下文信息减少近岸虚警;并设计了一种自适应特征重构金字塔(Adaptive Feature Reconfiguration Pyramid,AFRP)结构,通过对不同尺度特征进行平衡和增强,提升多尺度舰船的检测效果.本文基于公开SAR舰船检测数据集SSDD验证了提出方法的有效性,该方法能够精确检测不同场景下的多尺度SAR舰船目标,算法性能优于现有其它方法.

摘要： 随着卫星遥感技术的不断发展,合成孔径雷达(Synthetic Aperture Radar,SAR)图像上的舰船检测技术对海上作业舰船的监测管理起到了很重要的作用.论文首先分析了海杂波的分布统计模型,然后基于其分布模型采用了OS-CFAR(有序统计量)检测器,并与经典的CA-CFAR(单元平均恒虚警率)检测器进行对比,利用恒虚警率算法对中低分辨率SAR图像上的海上舰船进行了检测,结果显示具有不错的检测效果.

摘要： 金色图像中港口内舰船的快速、准确检测,受地物、云等影响,是一个难点问题.针对这个问题,本文提出了一种基于SIFT特征的港口内舰船检测方法.该方法包括海陆分割、舰船感兴趣区域提取和虚警排除三个阶段.与传统海陆分割方法不同,本文建立了港口区域模板,简化SIFT特征点提取方法,通过图像配准快速、准确地定位海水区域.然后,对港口内靠岸舰船使用2D-Otsu和Harris角点结合方法、对水面舰船使用基于异常检测的方法,准确提取感兴趣区域.最后,结合舰船和典型虚警(云、波浪等)的特点,建立CART分类器,有效剔除虚警.实验结果表明,本文提出的港口内舰船检测方法具有较高的舰船检测准确性和效率,并且对于不同尺寸的舰船目标和不同分辨率的图像均具有较好的适应性.

摘要： 为了解决恒虚警率检测算法(CFAR检测)在合成孔径雷达图像舰船检测中,用已有分布建模,不能应对所有的场景,对于一些复杂场景建模拟合效果不理想的问题,本文使用一种自选择混合分布的CFAR检测方法:首先,对图像进行预处理,减少目标像素对海杂波的影响;其次,利用学习出来的混合分布模型对预处理后的每一块图像进行建模,计算全局阈值,并根据阈值把图像像素分为目标和背景杂波;然后,为防止漏检,重新对场景像素进行建模、检测,重复此过程直到背景杂波中检测不到目标为止;最后加入后处理,减少虚警的产生.这一方法不仅能得到更好的海杂波模型,同时还能提取舰船的更多细节,实验结果证明了这一方法的有效性.

摘要： 全色遥感图像的舰船检测是一个具有挑战性的任务.若图像中存在大量的云、海浪和孤立的海岛会对检测结果造成负面的影响,容易产生大量的虚警,导致算法的实用性低.本文提出了一个基于动态聚类的舰船检测算法.首先根据图像总体灰度值的分布状况,通过一或两次聚类,判定不同海况,分离感兴趣区域与背景区域.接着采用腐蚀膨胀的思想去除感兴趣区域中的一些孤立点和噪声点.然后使用动态聚类算法对感兴趣区域进行多次迭代,检测出多个舰船候选区域.最后采用紧密度与长宽比等特征去除虚警,从而获得舰船检测的真实结果.本算法着眼于图像中的海况,重在考查舰船与云、海面、海浪等灰度值的差异而非某些特定的灰度值,在不同的图像中可以自适应地调整聚类数量.经实验证明,本算法可以适应多种不同复杂海况和待检测图像中舰船之间灰度或形状差异较大的情况,具有较强的鲁棒性和较低的虚警率。

摘要： 近年来深度学习目标检测技术得到了快速的发展,在很多领域取得了令人惊叹的效果.SAR图像舰船目标检测与普通计算机视觉目标检测的共性大于异性,因此有必要将深度学习目标检测技术应用到该领域.本文给出了数据集SSDD(SAR Ship Detection Dataset),据所知这是第一个专门用于SAR图像舰船目标检测的数据集,为本领域研究人员提供了衡量统一标准,促进了该领域的发展.论文统计了舰船目标的尺寸大小以及长宽比等信息,为设计检测算法提供了参考.给出了经典双阶段检测器Faster R-CNN和单阶段检测器SSD在数据集上的检测效果,并根据舰船统计特性对检测算法做了针对性改进,实验结果显示出了基于深度学习的目标检测算法在SAR图像舰船目标检测的强大的性能,论文最后给出了几个值得进一步研究的方向.

摘要： 针对高低轨卫星联合海上目标监视,研究了一种海上目标的信息融合方法.通过高轨卫星图像序列的舰船目标跟踪,得到目标的航迹信息;通过低轨卫星图像的舰船目标检测,得到目标的位置与特征信息;根据高低轨卫星信息特点,基于位置、大小、航向等特征进行多次目标关联,从而形成统一的目标态势,弥补了单源卫星信息不足,体现了高低轨卫星海上目标信息融合的优势.利用高分四号与高分一号卫星数据验证了算法的有效性.

摘要： 针对高低轨卫星联合海上目标监视,研究了一种海上目标的信息融合方法.通过高轨卫星图像序列的舰船目标跟踪,得到目标的航迹信息;通过低轨卫星图像的舰船目标检测,得到目标的位置与特征信息;根据高低轨卫星信息特点,基于位置、大小、航向等特征进行多次目标关联,从而形成统一的目标态势,弥补了单源卫星信息不足,体现了高低轨卫星海上目标信息融合的优势.利用高分四号与高分一号卫星数据验证了算法的有效性.

摘要： 针对高低轨卫星联合海上目标监视,研究了一种海上目标的信息融合方法.通过高轨卫星图像序列的舰船目标跟踪,得到目标的航迹信息;通过低轨卫星图像的舰船目标检测,得到目标的位置与特征信息;根据高低轨卫星信息特点,基于位置、大小、航向等特征进行多次目标关联,从而形成统一的目标态势,弥补了单源卫星信息不足,体现了高低轨卫星海上目标信息融合的优势.利用高分四号与高分一号卫星数据验证了算法的有效性.

摘要： 本发明属于遥感影像处理与应用技术领域，涉及一种在高分辨率多光谱遥感影像中，检测万吨级以上大型舰船目标的方法。首先，对影像进行基于梯度的影像分割；第二，提取分割对象的几何特征和色彩特征；第三，利用大型舰船特征先验知识库，对分割对象进行模糊规则分类，得到大型舰船对象。另外，对于港口区域的大型舰船的检测，利用港口先验知识库中的海陆分界信息进行海陆分割，去除港口陆面部分的影响；通过加入后处理步骤，利用港口先验知识库中的泊位信息，去除非万吨级以上泊位处检测到的错误结果。本发明充分利用高分辨率多光谱遥感影像光谱信息丰富、分辨率高的优势，利用先验知识库保证检测结果较高的可靠性，且检测过程中人工干预少。

摘要： 本发明公开了一种基于图像增强与多重检测的SAR图像舰船目标快速检测方法，包括：对原始SAR图像进行Gamma变换，获得Gamma变换后的图像；对Gamma变换后的图像进行图像滤波及海陆区域分割，得到海陆区域分割后的二值化图像；对二值化图像进行形态学操作及连通域分析，剔除陆地区域，获得剔除陆地区域后的纯海洋图像；利用快速CFAR算法对纯海洋图像进行舰船目标检测，获得舰船目标的CFAR检测结果图；利用直方图统计方法对纯海洋图像进行海面海杂波抑制，并结合CFAR检测结果图获得粗检测结果图；利用Hog特征的SVM分类算法对粗检测结果图进行精检测，获得舰船目标的最终检测结果。该方法能够快速精确地对SAR图像进行舰船目标检测，且具有较低的虚警率。

摘要： 本发明公开了一种船载气泡尾流特征检测装置、舰船及检测方法。装置包括：至少一个激光发射模块、至少一个激光光源模块、至少一个光学变换传感模块、信号采集处理模块、稳压电源模块、检测结果显示终端和总控制模块；能够解决现有声尾流探测方式隐蔽性较差或者探测装置复杂且庞大的问题。

摘要： 本发明公开了一种基于级联位置敏感检测的舰船目标检测方法，步骤S1：设计得到能适用于精准检测舰船目标边框的位置敏感级联检测模块；步骤S2：用步骤S1中得到的级联位置敏感检测模块，替换到原目标检测网络的检测模块，得到一种基于级联位置敏感检测的舰船目标检测方法，再利用舰船目标检测数据集逐级训练各个级联检测模块，最终将该模型移植至海上观测平台的设备中，完成海上舰船目标精准检测。采用本发明的技术方案，利用级联位置敏感检测模块，实现了基于级联位置敏感检测的目标检测方法，对海上视频图像中的舰船目标能够在保持原有快速检测的前提下实现更加精准地位置回归。

摘要： 本发明公开了一种基于深度学习单步检测器的光学遥感图像舰船检测方法，主要解决传统舰船检测方法中人工设计特征表示能力有限，对于复杂背景产生的干扰抵抗能力不足及检测过程繁琐且速度较慢的问题，其实现的方案是：1)建立遥感图像数据集；2)使用VGG‑16作为特征提取部分，构造多路残差块并将其作为预测部分，构造新的损失函数，3)将特征提取部分、预测部分以及损失函数组成单步检测器；4)使用建立的数据集训练单步检测器；5)使用训练好的单步检测器进行舰船检测。本发明实现简洁，能快速准确地检测出复杂背景中的舰船目标，可用于多种实时舰船检测系统。

摘要： 本发明提供了一种自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法，包括以下步骤：步骤1，将输入的SAR图像映射到APT域；步骤2，APT域中对舰船目标的CFAR检测；步骤3，舰船目标虚警排除。

摘要： 本发明提出了一种基于直线段检测和形状特征的靠岸舰船检测方法，包括：步骤1，对海陆遥感图像中的海域部分和陆地部分进行分割得到海陆分界线，并基于海陆分界线得到海陆遥感二值图像；步骤2，基于所述海陆遥感二值图像对舰船船头进行检测得到舰船头部候选点；步骤3，根据所述海陆遥感二值图像上的所述舰船头部候选点确定舰船方向以及船身尺寸。本发明提供亚像素级的陆地和海域分割技术，解决由于背景的颜色和纹理与舰船呈高度相似性，造成的靠岸舰船与背景准确区分困难、靠岸舰船的检测准确度低等问题。

摘要： 本发明公开了一种基于旋转检测框的多类别SAR图像舰船检测方法，它是基于深度学习理论，主要包括旋转检测框机制、平衡自注意力金字塔、特征对齐和包含特征解耦机制的旋转回归网络。旋转检测框机制通过使用旋转检测框降低相邻舰船检测框重叠部分，并减少背景的干扰，从而提高检测精度；平衡自注意力金字塔网络通过特征融合和增强方法提取更具多尺度检测能力的特征，从而解决船只尺度特征不平衡问题；特征对齐将旋转的检测框和水平的特征图对齐，从而解决了旋转检测框和特征图之间的错位问题；旋转分类回归网络包含特征解耦机制，解决了分类回归敏感性冲突和多种类舰船检测的问题。

摘要： 基于异常检测与双层筛选机制的SAR图像舰船检测方法，包括a、检测预处理阶段：通过提取光谱向量，将SAR图像转换成高光谱类型图像，再利用高光谱异常检测算法来提取感兴趣目标区域，该区域包括了所有可能存在舰船的区域；（1）进行图像转换：将待处理图像按像素取滑框，进行遍历，得到由原始图像每个像元的光谱向量组成的转换图像数据，即完成了图像转换；本发明的优点是：将SAR图像转换成高光谱类型图像，进而采用高光谱图像异常检测算法实现舰船目标检测的预处理，得到感兴趣区域二值图，在此基础上，采用双层筛选机制，实现了背景杂波的准确建模和舰船目标的快速检测。

摘要： 本发明提供了一种自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法，包括以下步骤：步骤1，将输入的SAR图像映射到APT域；步骤2，APT域中对舰船目标的CFAR检测；步骤3，舰船目标虚警排除。