摘要：针对YOLOv7算法在应用于光学遥感图像舰船目标检测任务时所面临的小目标检测精度低的问题,提出一种基于多维注意力机制动态卷积的光学遥感图像舰船目标检测改进算法。首先,通过并行策略设计了融合多维注意力机制动态卷积的高效聚合网络,多维注意力机制动态卷积根据不同维度的特征重要性进行自适应调整,卷积核沿4个维度学习到注意力分布,增强了特征融合网络捕获数据中细粒度特征的能力;其次,针对舰船目标的多尺度差异特点设计多层次超大卷积核层,丰富全局特征描述,提高检测网络的感知能力。在HRSC2016和DOTA两个公共数据集上的实验结果表明,改进后算法的mAP分别达到了93.4%和90.1%,与现有主流先进算法相比取得更优的检测精度,在降低舰船小目标漏检误检率的同时提升了识别能力。

摘要：锚框结构的舰船目标检测算法存在预设锚框与真实目标框难以精准匹配的问题,设计了一种基于合成孔径雷达(Synthetic Aperture Radar,SAR)图像的无锚框实时舰船目标检测算法。该算法以YOLOX-Nano(You Only Look Once X-Nano)框架为基础,在骨干网络单元嵌入改进Ghost模块和挤压激励(Squeeze and Excitation,SE)模块。路径聚合网络(Path Aggregation Network,PANet)与改进Ghost模块和自适应空间特征融合(Adaptively Spatial Feature Fusion,ASFF)模块集成后提高了模型的特征表达能力。以输入图像分辨率为320×320像素为基准,相较于单发多框检测器(Single Shot MultiBox Detector,SSD)和YOLOv3-tiny(You Only Look Once v3-tiny)模型,实验结果显示本文算法在合成孔径雷达舰船检测数据集(SAR Ship Detection Dataset,SSDD)上平均正确率达到94.5%,参数量为0.87×10^(6),浮点计算量为0.61×10^(9),能够实现高精度和低复杂度的SAR图像舰船目标检测。

摘要：针对帧间差分算法中对于红外舰船目标特征提取不充分的问题,提出了一种改进的红外舰船目标检测算法。将两帧图像进行帧间差分后通过Ostu进行阈值分割,获得二值图像进行形态学处理,计算图像质心坐标,并在原图像上的质心坐标周围区域进行遍历搜索,获得平均灰度值后进一步进行阈值分割。通过对海天背景及复杂背景下的舰船目标跟踪进行实验分析,结果表明改进后的算法效果较好,能够将所关注的运动舰船目标检测出来并跟踪。

摘要：针对舰船目标检测领域的目标尺度变化、形状复杂多变和背景干扰等问题,通过融合深度学习技术,结合卷积神经网络和可微分二值化技术,提出了一种新的舰船目标检测方法。该方法采用了编码-解码结构的舰船目标检测网络,引入了可变形卷积和可微分二值化函数,以提高自适应性和检测性能。在网络结构中,嵌入可变形卷积的设计有助于更有效地捕捉舰船目标的特征,以适应复杂场景中目标尺度和形状的多变性。可微分二值化技术可保留目标边界的精确信息,提高对目标形状和轮廓的敏感性。在训练过程中,采用了有监督训练阈值图的方法,通过联合优化确定了每个位置的自适应阈值,减少了后处理的复杂步骤。通过在HRSC2016和DOTA数据集上进行检测试验,验证了所提方法的检测精度。

摘要：针对当前遥感图像舰船目标检测精度不佳问题,本文构建舰船目标数据集STAR,提出基于Dense RFB和LSTM多尺度舰船目标检测算法。该算法首先在SSD网络基础上设计了浅层特征增强模块,基于人眼视点图采用Dense RFB特征复用和膨胀卷积增大感受野的尺度和种类,增强浅层网络对细节特征的提取能力;其次设计了深层多尺度特征金字塔融合模块,采用FPN和LSTM思想,基于反卷积和残差网络对深层不同尺度特征进行融合,增强网络结构非线性和特征层的表征能力;最后加入聚焦分类损失函数进行联合训练,有效避免了正负样本失衡问题。在遥感图像舰船数据集上实验,本文所提舰船目标检测算法精度均值达到81.98%,检测速度达到29.6帧/s。此外,遥感图像中成像模糊、被遮挡、部分被裁剪等舰船目标的检测效果也优于原有经典算法,实验结果表明该算法对遥感图像舰船目标检测的泛化能力较强,有效地提高了遥感图像舰船目标检测的精度。

摘要：基于深度学习的合成孔径雷达(SAR)舰船目标检测近年得到了快速发展。然而,传统有监督学习需要大量的标记样本来训练网络。针对此问题,该文提出一种基于图注意力网络(GAT)的半监督SAR舰船目标检测方法。首先,设计了对称卷积神经网络用于海陆分割。随后,完成超像素分割并将超像素块建模为GAT的节点,利用感兴趣区域池化层提取节点的多尺度特征。GAT采用注意力机制自适应地汇聚邻接节点特征实现对无标记节点的分类。最后,将预测为舰船目标的超像素块定位到SAR图像中并获得精细检测结果。在实测高分辨SAR图像数据集上验证了所提方法。结果表明该方法可以在少量标记样本下,以低虚警率实现对舰船目标的可靠检测。

摘要：针对YOLO(you only look once)v5算法在应用于光学遥感图像舰船目标检测任务时所面临的小目标误检率、漏检率较高的情况,提出一种基于YOLOv5改进的光学遥感图像舰船目标检测方法。首先对路径聚合网络结构进行改进,设计语义信息增强模块提取更富语义信息的浅层特征,增强对小目标特征的表达能力;然后使用Swish函数作为激活函数,提高网络对数据非线性特征的表征能力,加快模型的收敛速度;最后针对舰船目标的尺寸特点优化检测端结构,移除大目标检测头以减少推理计算量。测试集上的实验表明,该方法相较改进前将检测精度提高了5.2%且推理时间有所减少,在保证检测实时性的同时增强了模型的小目标辨别能力。

摘要：由于人造目标具有方位多变和结构复杂等特点,设计具有强泛化、易分辨的特征来实现极化合成孔径雷达(synthetic aperture radar,SAR)目标精准检测是一个非常有挑战性的问题.受数学规划思想的启发,在基于物理模型的极化分解框架下,本文设计了一种散射贡献组合特征检测器用于检测极化SAR舰船目标.一方面,利用类差倒数变换和sigmoid函数变换,首先构造了一种旋转二面角散射模型,它能充分反映由方位变化所导致的同极化和交叉极化响应之间的快速转变.结合类偶极子混合散射模型,以及通过设计基于根的判别式的模型求解策略,随后提出了一种极化信息完全利用的八成分目标分解方法,它能够有效刻画舰船目标的局部结构散射并显著改善体散射过估问题.另一方面,通过分析舰船目标不同散射机理的分布显著特性,以及舰船目标相对海杂波的散射独有特性,利用线性及非线性运算等数学规划策略,首先设计了一种稳健的散射贡献组合器特征.随后将该特征与保护滤波器结合,进一步增强其分辨能力以实现最终的舰船目标检测.实验利用不同实测极化SAR数据对所提方法进行了定性和定量验证,结果表明该方法优于现有的其他舰船目标检测方法,检测品质因素最高可达0.96.

摘要：针对日益复杂的海洋环境对舰船目标检测更高识别率、实时性、智能化的需求,提出了一种基于改进YOLOv4的舰船目标检测算法。算法将新设计的多层特征融合(MFF)模块和多层接收域块(M-RFB)模块集成到YOLOv4的颈部,改进了网络特征提取的能力,解决了海洋环境中小型舰船的检测和分类问题,模型训练过程中引入迁移学习的策略防止模型过拟合并加速模型训练的参数。实验结果表明:该算法能有效解决小型舰船在复杂海洋环境下检测困难、识别率低的问题。与现有算法相比,该算法能够在复杂的海洋导航条件下获得更高的精度,特别是与YOLOv4相比,准确率提高了约11%。

摘要：该文提出一种基于频谱残留变换的红外遥感图像舰船目标检测方法。该方法首先根据海洋红外图像中自然背景和干扰的特性设计频谱残留变换的模型参数;然后对海洋红外图像实施频谱残留变换;最后在变换图像上进行目标检测。实验结果表明:该方法可以有效消除红外图像中的大尺度干扰和图像噪声,增强图像中舰船目标的信杂比,提高舰船检测的准确性。