文献类型：期刊文章

作　　者：凡文俊[1] 赵曙光[1] 郭力争[2]

FAN Wenjun;ZHAO Shuguang;GUO Lizheng(College of Information Science and Technology,Donghua University,Shanghai 201620,China;School of Computer and Data Science,Henan University of Urban Construction,Pingdingshan Henan 467036,China)

机构地区：[1]东华大学信息科学与技术学院,上海201620 [2]河南城建学院计算机与数据科学学院,河南平顶山467036

出　　处：《计算机应用》

基　　金：中央高校基本科研业务费专项资金学科交叉重点计划项目(2232020A-12)。

年　　份：2022

卷　　号：42

期　　号：7

起止页码：2248-2255

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：目前基于深度学习算法的目标检测技术在合成孔径雷达(SAR)图像船舶检测中取得了显著的成果,然而仍存在着小目标船舶和近岸密集排列船舶检测效果差的问题。针对上述问题,提出了基于改进RetinaNet的船舶检测算法。在传统RetinaNet算法的基础上,首先,将特征提取网络残差块中的卷积改进为分组卷积,以增加网络宽度,从而提高网络的特征提取能力;其次,在特征提取网络的后两个阶段加入注意力机制,让网络更加专注于目标区域,从而提升目标检测能力;最后,将软非极大值抑制(Soft-NMS)加入到算法中,降低算法对于近岸密集排列船舶检测的漏检率。在高分辨率SAR图像数据集(HRSID)和SAR船舶检测数据集(SSDD)上的实验结果表明,所提改进算法对于小目标船舶和近岸船舶的检测效果得到了有效提升,与当前优秀的目标检测模型FasterR-CNN、YOLOv3和CenterNet等相比,在检测精度和速度上更加优越。

关 键 词：合成孔径雷达图像 船舶检测 RetinaNet  注意力机制  分组卷积  

分 类 号：TP391.41]