文献阅读-基于深度卷积神经网络的海面小目标多帧检测

基于深度卷积神经网络的海面小目标多帧检测

 

Multiframe Detection of Sea-Surface Small Target Using Deep Convolutional Neural Network

1、TBD算法

可以通过处理连续测量来改进小目标的检测。

可以同时进行检测和跟踪，避免了跟踪启动和数据关联。因此，它被广泛应用于复杂杂波环境下的小目标检测。

基于粒子滤波器的 TBD (PF-TBD)

基于速度滤波器的 TBD (VF-TBD)

动态规划-基于 TBD (DPTBD)

基于 Hough 变换的 TBD (HTTBD)

问题：

低 SCR 下，强杂波或噪声的积分可能会超过真实运动目标的积分度量函数，从而导致检测性能下降。

2、思路

使用目标和海杂波之间的特征差异和帧间相关性来实现帧内和帧间检测

帧内检测采用多尺度检测策略。每个 RD 频谱被分割成块和单元的多个多尺度检测单元，然后通过基于块的大规模初步检测和单元，使用多尺度帧内检测网络 (IADN) 将这些单元分类为目标存在或目标不存在- 基于小规模精细检测

在帧间检测中，帧间检测网络（IRDN）用于从序列FDPM中提取时空特征并重建运动目标谱。最终决定是通过应用一个恒定阈值来做出的。

验证数据集：CSIR+IPIX

驻留模式下雷达回波的多帧处理：

 帧内检测网络的详细架构：

 8*8帧数据输入到网络，输出为该块有目标的概率

对概率值大于阈值的数据块进行更精细化的操作，分为4*4的数据块，经过网络后输出为小块的存在目标的概率，以实现目标检测

常见分类问题，交叉熵函数作为损失

RD经过IADN网络输出为FDPM，多帧FDPM联合以经过IRDN网络实现

帧间融合检测：

 3-D卷积块和残差学习块用于时空特征提取和融合，转置卷积层用于目标重建

3、实验

在具有模拟目标的CSIR上进行了验证，对IPIX数据进行验证

与传统DP-TBD、CFAR检测器进行比较