文献类型：期刊文章

作　　者：何旭鑫[1] 吴建平[1,2,3] 余咏[1] 高雪豪[1] 韦杰[1]

HE Xu-xin;WU Jian-ping;YU Yong;GAO Xue-hao;WEI Jie(School of Information Science&Engineering,Yunnan University,Kunming 650504,China;Yunnan Provincial Electronic Computing Center,Kunming 650223,China;Digital Media Technology Key Laboratory of Universities and Colleges in Yunnan Province,Kunming 650223,China)

机构地区：[1]云南大学信息学院,云南昆明650504 [2]云南省电子计算中心,云南昆明650223 [3]云南省高校数字媒体技术重点实验室,云南昆明650223

出　　处：《计算机技术与发展》

基　　金：国家自然科学基金项目(62172354)。

年　　份：2023

卷　　号：33

期　　号：11

起止页码：41-49

语　　种：中文

收录情况：JST、RCCSE、ZGKJHX、普通刊

摘　　要：由于合成孔径雷达(SAR)图像的特点,如岸上船舶目标密集排列,容易受到陆地影响,造成SAR图像近岸舰船目标检测检测率低和漏检率高的问题,提出了一种基于YOLOv5的改进BiFPN特征融合模块的目标检测算法。针对海岸边舰船目标容易受到复杂建筑影响造成漏检的问题,在YOLOv5的Backbone中加入CBAM注意力机制,通过注意力机制学习舰船目标的特征,提高主干网络的特征提取能力;使用SIoU作为新的损失函数,重新定义预测框和真实框的关系,实现新的高精度定位;增加为四尺度特征检测,重新定义一个大尺度特征检测层,与此对应将特征融合模块中原有PANet替换成改进的多尺度加权双向特征金字塔(BiFPN)网络结构,实现与检测层相对应的高效特征融合模块。实验结果表明,该算法在公开的HRSID舰船数据集的R和mAP分别为88.2%和94.3%,比原来的YOLOv5算法分别提升了2和2.7百分点,达到了在复杂环境下对小目标和密集目标检测的要求。

关 键 词：合成孔径雷达 目标检测 四尺度特征检测  加权双向特征金字塔  CBAM

分 类 号：TP312]