精度验证的样本_好文推荐 基于小样本集的多层级深度学习网络SAR图像目标检测...

主题词

小样本、多层级深度学习网络、SAR图像、

目标检测

当前基于深度学习的SAR图像目标检测方法受制于样本集数量，随着样本数的减少，目标检测率会降低。此外，传统深度学习方法通过池化操作，会丢失掉目标的边缘信息，而这些边缘信息对目标检测至关重要。

针对这一问题，合肥工业大学艾加秋副教授提出了基于多层级深度学习网络的SAR图像目标检测方法。该方法将传统类Haar模板提取的低层级目标边缘特征与传统深度卷积神经网络提取的高层级目标深度特征在全链接层进行融合，不仅有效提升了SAR图像目标特征表征的完备性，还提升了小样本集下的SAR图像目标检测精度，具有很好的理论意义与工程价值。

论文标题

Multi-scale rotation-invariant haar-like feature integrated CNN based ship detection of multiple-target environment in SAR imagery

发表期刊

IEEE Transactions on Geoscience and Remote Sensing

论文全文链接

https://ieeexplore.ieee.org/document/8812890

 研究背景 

SAR是一种高分辨率的成像雷达，具有全天时和全天候观测的能力。利用SAR图像进行目标检测与识别是现阶段SAR应用的研究热点。基于特征提取的检测识别算法仅提取目标的边缘等低层级特征，对于SAR图像微小目标的检测识别准确率有待提升。

传统深度学习网络可自动学习SAR目标的高层级深度特征，但是会导致舰船目标边缘纹理等低层特征的丢失，在小样本集下的SAR图像目标检测识别精度不高，限制了其工程应用。

研究思路

首先，采用类Haar模板提取出SAR图像目标边缘纹理特征。由于该特征维数巨大，特征向量相互间冗余度大，采用Adaboost进行特征学习降维，通过有限维度的特征向量来有效表征目标边缘信息。

然后，合理设计深度卷积神经网络参数，通过CNN提取出有效表征SAR图像目标的高层级深度特征。

最后，在全链接层对降维后的低层级类Haar特征与CNN提取的高层级深度特征进行最优化融合，有效提升了小样本集下的SAR图像目标检测精度。算法原理框图如图1所示。

图1  基于多层级深度学习网络的SAR图像目标检测识别原理框图

 研究结果 

 本文采用高分三号卫星获得的港口沿海区域SAR图像进行实验验证。图2为Radarsat于2018年7月对成像的SAR图像，白色方框区域标注的为SAR图目标检测识别实验区域，该测试区域舰船目标分布密集&#