基于YOLO框架的无锚框SAR图像舰船目标检测

TP751; 面向合成孔径雷达(synthetic aperture radar,SAR)多 目标检测应用,提出了一种基于YOLO(you only look once)框架的无锚框SAR图像舰船目标检测方法.该方法针对YOLOv3锚框需要预先设定且无法完美契合的弊端,通过采用无锚框方法更好适应所检测目标的大小,便于多尺度目标使用.在此基础上,给CSP-Darknet53网络增加了注意力机制作为特征提取网络,然后经过能够增大感受野的改进特征金字塔网络(feature pyramid network,FPN)后,把特征图传给无锚框检测头,有效提升了 目标类别和位置的预测精度.实验证明,所提算法在...

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 44; no. 12; pp. 3703 - 3709
Main Authors 贾晓雅, 汪洪桥, 杨亚聃, 崔忠马, 熊斌
Format Journal Article
LanguageChinese
Published 北京遥感设备研究所,北京100854%火箭军工程大学作战保障学院,陕西西安710025%中国航天科工集团有限公司科研生产部,北京100048%北京遥感设备研究所,北京100854 2022
火箭军工程大学作战保障学院,陕西西安710025
Subjects
合成孔径雷达图像
YOLO
舰船目标检测
无锚框
Online AccessGet full text
ISSN1001-506X
DOI10.12305/j.issn.1001-506X.2022.12.14

Cover

More Information
Summary:TP751; 面向合成孔径雷达(synthetic aperture radar,SAR)多 目标检测应用,提出了一种基于YOLO(you only look once)框架的无锚框SAR图像舰船目标检测方法.该方法针对YOLOv3锚框需要预先设定且无法完美契合的弊端,通过采用无锚框方法更好适应所检测目标的大小,便于多尺度目标使用.在此基础上,给CSP-Darknet53网络增加了注意力机制作为特征提取网络,然后经过能够增大感受野的改进特征金字塔网络(feature pyramid network,FPN)后,把特征图传给无锚框检测头,有效提升了 目标类别和位置的预测精度.实验证明,所提算法在公开SAR舰船数据集上平均精度比YOLOv3提高3.8％,达到了 94.8％,虚警率降低4.8％.
ISSN:1001-506X
DOI:10.12305/j.issn.1001-506X.2022.12.14