计算机技术与发展2023，Vol.33Issue(11) ：41-49.DOI:10.3969/j.issn.1673-629X.2023.11.007

复杂背景下SAR舰船目标检测算法的改进

Improvement of SAR Ship Target Detection Algorithm in Complex Background

何旭鑫 吴建平 余咏 高雪豪 韦杰
计算机技术与发展2023，Vol.33Issue(11) ：41-49.DOI:10.3969/j.issn.1673-629X.2023.11.007
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据

复杂背景下SAR舰船目标检测算法的改进

Improvement of SAR Ship Target Detection Algorithm in Complex Background

何旭鑫 1吴建平 2余咏 1高雪豪 1韦杰1
扫码查看

作者信息

  • 1. 云南大学 信息学院,云南 昆明 650504
  • 2. 云南大学 信息学院,云南 昆明 650504;云南省电子计算中心,云南 昆明 650223;云南省高校数字媒体技术重点实验室,云南 昆明 650223
  • 折叠

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

Key words

synthetic aperture radar/target detection/four-scale feature detection/weighted two-way feature pyramid/CBAM

引用本文复制引用

基金项目

国家自然科学基金(62172354)

出版年

2023
计算机技术与发展
陕西省计算机学会

计算机技术与发展

CSTPCD
影响因子：0.621
ISSN：1673-629X
被引量1
参考文献量6
段落导航相关论文