基于卷积神经网络的高分辨率SAR图像飞机目标检测方法

被引：43

作者：

王思雨 ^{[1
,2
]}

高鑫 ^{[1
]}

孙皓 ^{[1
]}

郑歆慰 ^{[1
]}

孙显 ^{[1
]}

机构：

[1] 中国科学院电子学研究所

[2] 中国科学院大学

来源：

雷达学报 | 2017年 / 02期

关键词：

合成孔径雷达(SAR); 飞机检测; 卷积神经网络(CNN); 数据增强; 视觉显著性;

D O I：

暂无

中图分类号：

TN957.52 [数据、图像处理及录取]; TP183 [人工神经网络与计算];

学科分类号：

摘要：

传统的合成孔径雷达(Synthetic Aperture Radar,SAR)图像飞机检测方法一般利用像素对比度信息进行图像分割,从而提取待定目标。然而这些方法只考虑了像素亮度信息而忽视了目标的结构特征,进而导致目标的不精确定位和大量虚警的产生。基于上述问题,该文构建了一个全新的SAR图像飞机目标检测算法框架。首先,针对大场景SAR图像应用需求,提出了改进的显著性预检测方法,从而实现SAR图像候选飞机目标多尺度快速粗定位;然后,设计并调优了含4个权重层的卷积神经网络(Convolutional Neural Network,CNN),实现对候选目标的精确检测和鉴别;最后,因为SAR数据量有限、易导致过拟合,提出4种适用于SAR图像的数据增强方法,具体包括平移、斑点加噪、对比度增强和小角度旋转。实验证实该飞机检测算法在高分辨率Terra SAR-X数据集上效果显著,与传统的SAR飞机检测方法相比,该方法检测效率更高,泛化能力更强。

引用

页码：195 / 203

页数：9