海洋科学进展2024，Vol.42Issue(1) ：137-148.DOI:10.12362/j.issn.1671-6647.20220907001

基于深度学习的SAR影像海洋涡旋检测算法对比分析

Comparative Analysis of Ocean Eddy Detection Algorithms Based on Deep Learning in SAR Images

贾翊文 荆文龙 杨骥 舒思京 李勇 邓应彬
海洋科学进展2024，Vol.42Issue(1) ：137-148.DOI:10.12362/j.issn.1671-6647.20220907001
✕
  • 维普
  • 万方数据

基于深度学习的SAR影像海洋涡旋检测算法对比分析

Comparative Analysis of Ocean Eddy Detection Algorithms Based on Deep Learning in SAR Images

贾翊文 1荆文龙 1杨骥 1舒思京 1李勇 1邓应彬1
扫码查看

作者信息

  • 1. 广东省科学院广州地理研究所,广东广州510070;广东省遥感与地理信息系统应用重点实验室,广东广州510070;广东省地理时空大数据工程实验室,广东广州510070;南方海洋科学与工程广东省实验室(广州) ,广东广州511458
  • 折叠

摘要

为探究不同类型深度学习目标检测算法在亚中尺度和小尺度海洋涡旋检测中的性能,本文利用ERS-1/2、ENVISAT、Sentinel、GF-3和ALOS-2等卫星影像,构建了一个包含亚中尺度与小尺度海洋涡旋的SAR影像数据集,涵盖了多源、多尺度的海洋涡旋目标.基于构建的数据集,分别采用RetinaNet、Faster R-CNN和Cascade R-CNN三种深度学习目标检测网络进行实验,并对3种网络的检测速度、检测精度与抗背景干扰能力开展综合性对比分析.实验结果表明,检测速度方面,RetinaNet网络更快,每秒检测帧率为19.4;检测精度方面,Faster R-CNN精度为0.7975,比RetinaNet和Cascade R-CNN更高;抗背景干扰方面,Cascade R-CNN的抗背景干扰能力更强,在涡旋目标分布密集且与背景区分度较低的情况下,能够正确检测出更多的涡旋.

关键词

海洋涡旋/合成孔径雷达/深度学习/目标检测

Key words

ocean eddy/Synthetic Aperture Radar(SAR)/deep learning/object detection

引用本文复制引用

基金项目

国家重点研发计划项目(2022YFF0711602)

国家自然科学基金项目(42271479)

国家自然科学基金项目(41976190)

国家自然科学基金项目(41976189)

广东省科学院发展专项资金项目(2022GDASZH-2022010202)

广东省科学院发展专项资金项目(2022GDASZH-2022020402-01)

广东省科学院发展专项资金项目(2022GDASZH-2022010111)

广东省科技计划项目(2021B1212100006)

出版年

2024
海洋科学进展
中国海洋学会 国家海洋局第一海洋研究所

海洋科学进展

CSTPCD北大核心
影响因子：0.532
ISSN：1671-6647
参考文献量28
段落导航相关论文