我要投稿 查看投稿进度
学术期刊
在线客服
客服电话：400-188-5008
客服邮箱：service@ccnpub.com
投诉举报：feedback@ccnpub.com
人工客服

工作时间（9：00-18：00）
官方公众号

科技成果·全球共享

请选择 目标期刊

基于多特征融合的SAR图像舰船自学习检测算法 下载：83 浏览：451

楚博 策文 义红 陈金勇 《无线电研究》 2018年8期

摘要:
传统的舰船检测方法主要包括恒虚警检测(CFAR)和机器学习类算法,其中CFAR舰船检测容易受噪声影响,检测结果过分依赖参数与海杂波模型的选择,准确率低并且鲁棒性较差。简单的阈值判定方法由于特征单一,对舰船目标描述性较差,机器学习算法需要对已有数据库中舰船数据进行训练,准确度较高但检测周期过长,更新较慢,无法满足现代战争的快速反应、实时更新的需求。提出一种基于多特征融合的自学习算法,对感兴趣目标提取形态学、灰度和轮廓等多种特征,通过对多特征阈值判定方法对相似舰船目标进行检测,可实现对战场突发状况与未知目标快速反应能力的同时保证较高的检测准确率。实验结果表明,提出的检测算法相比传统方法的查全率提高了10%,虚警率降低了4%,并且实现了单幅运行时间的大幅度缩减。

基于Faster-RCNN和多分辨率SAR的海上舰船目标检测 下载：85 浏览：453

胡炎 单子力 高峰 《无线电研究》 2018年8期

摘要:
由于海洋表面微波散射情况复杂,强海洋杂波的后向散射往往高于舰船,导致传统舰船检测算法适应能力有限,已经难以满足现阶段舰船智能检测的需求。针对上述问题,将卷积神经网络(CNN)应用于SAR海上舰船目标检测。选取高分辨率Terra SAR-X与低分辨率Sentinel-1A卫星SAR图像。通过SAR仿真分析了不同分辨率下海杂波的特点,据此分析了针对SAR图像的CNN网络结构设计的基本需求。通过分辨率归一化制作混合数据的训练样本集,在Faster-RCNN框架下设计并构建了一个仅3层卷积神经网络用于特征学习,以防止模型过拟合。实验选择了4种不同海洋杂波环境的宽幅SAR图像进行测试,均获得了较好的检测结果。表明提出的多分辨率归一化方法结合卷积神经网络的SAR舰船检测模型具有一定的应用潜力。
[1/1]
|<
<
1
>
>|
在线客服：：点击联系客服
联系电话：：400-188-5008
客服邮箱：：service@ccnpub.com
投诉举报：：feedback@ccnpub.com
人工客服

工作时间（9：00-18：00）
官方公众号

科技成果·全球共享