基于改进YOLOv5-ResNet的海上舰船SAR图像快速检测.pdf
《基于改进YOLOv5-ResNet的海上舰船SAR图像快速检测.pdf》由会员分享,可在线阅读,更多相关《基于改进YOLOv5-ResNet的海上舰船SAR图像快速检测.pdf(8页珍藏版)》请在咨信网上搜索。
1、宇航计测技术2024 年2024 年 4 月第 44 卷 第 2 期宇航计测技术Journal of Astronautic Metrology and MeasurementApr.2024Vol.44No.2文章编号:1000-7202(2024)02-0052-08DOI:10.12060/j.issn.1000-7202.2024.02.09基于改进 YOLOv5-ResNet 的海上舰船 SAR 图像快速检测龙 昊1,2,张思佳2,周 晶1,王 冠3(1.海军大连舰艇学院 作战软件与仿真研究所,大连 116018;2.大连海洋大学 信息工程学院,大连 116018;3.空军通信士官学
2、校,大连 116600)摘要:在恶劣天气和海浪等自然因素的影响下,基于可见光数据进行舰船目标监测等手段往往难以有效开展,需要借助主动式微波成像卫星合成孔径雷达(SAR)进行图像解译。为了解决深度学习在处理数据集较小图像上无法准确提取特征及数据相似度较高的问题,基于 YOLOv5-ResNet 提出了一种跨尺度融合机制,重新定义损失函数。研究表明,识别 SAR 舰船目标的准确率有一定的提升:识别单目标舰船检测最高准确度达到 93%,同比 YOLOv5 提升 4%,比 YOLOv5-ResNet50 提升 20%;在近岸舰船目标检测上,有效降低了由于数据集质量不佳、模型训练方法不当等造成误差率的非
3、必要上升。关键词:合成孔径雷达图像;星载 SAR 图像;舰船目标检测;YOLOv5;ResNet;跨尺度融合中图分类号:V243.5,TP75文献标识码:A收稿日期:2023-07-07;修回日期:2023-09-17作者简介:龙昊(1996-),男,研究实习员,硕士,主要研究方向:军事软件应用。通讯作者:张思佳(1982-),女,副教授,博士,主要研究方向:互连网络拓扑结构理论及应用。Rapid Detection of SAR Images of Naval Vessels Based onImproved YOLOv5-ResNetLONG Hao1,2,ZHANG Sijia2,ZHO
4、U Jing1,WANG Guan3(1.Dalian Navy Academy,Dalian 116018,China;2.Dalian Ocean University,Dalian 116018,China;3.Air-force communication NCO academy,Dalian 116600,China)Abstract:Under the influence of natural factors such as bad weather and waves,it is often difficult to effectivelycarry out ship target
5、 monitoring based on visible light data and other means,which requires the use of active microwaveimaging satellite synthetic-aperture radar(SAR)for image interpretation.To address the issue of inaccurate featureextraction by deep learning when dealing with small datasets and images,as well as the p
6、roblem of high data similarity,across-scale fusion mechanism based on YOLOv5-ResNet is proposed to redefine the loss function.The research shows thatthere is a certain improvement in the accuracy of identifying SAR ship targets:the maximum accuracy of identifying singleships is 93%,which is 4%higher
7、 than YOLOv5 and 20%higher than YOLOv5-ResNet50.In near-shore ship targetdetection,it effectively reduces the unnecessary increase in error rate caused by poor data set quality and inappropriate modeltraining methods.Keywords:SAR images;Space-borne SAR images;Ship target detection;YOLOv5;ResNet;Cros
8、s scale fusion第 2 期基于改进 YOLOv5-ResNet 的海上舰船 SAR 图像快速检测0 引 言舰船是军事海洋交通的主要装备,它作为一种常见的目标类型在遥感图像中的各个领域都发挥着重要作用。舰船目标检测也成为海洋监测和国防安全领域中的重要任务。舰船目标检测是指使用特定算法和技术手段对图像中的感兴趣目标进行提取、识别和分类。舰船目标检测主要有以下难点:复杂背景的噪声干扰;多样化目标种类,如巡洋舰、驱逐舰,不同类别的舰船具有不同的特征信号;距离角度的不确定性和不同的运动姿态都会对目标检测产生一定的影响。随着科技的发展,合成孔径雷达(SyntheticAperture Rada
9、r,SAR)的主动式雷达因其检测良好的特点被广泛运用。基于遥感图像的舰船目标检测,能在大量光学遥感图像数据中捕获期望的光学目标。不同于光学检测,遥感图像一般在背景上和检测目标尺度上较为复杂,且目标朝向具有随机性。由于 SAR 图像具有单通道图像的特性,且舰船在海上背景中相对较小,需要选取合适的检测方法。近年来,深度学习发展在图像识别上有突出的检测效果,逐步替代噪声高、检测不够理想的传统方法。基于深度学习的方法包括以准确度为优势的两阶段检测方法,如 R-CNN(Regions with CNN features)1、Faster R-CNN2和一阶段的 YOLO3、SSD4。由于两阶段算法结构复
10、杂,在 SAR 舰船图像中小目标检测上多选用非先验框的检测方法。张官荣等基于YOLOv3 在准确度和运行速度上与 Faster R-CNN 进行了对比,得出一阶段检测更适用于遥感小目标检测的结 论5。姜 浩 风 等 在 YOLOv3 基 础 上 融 合DenseNet 使得准确度达到了 87.7%6。谭显东等通过对损失函数优化、引入注意力机制加速了收敛性,虽然最终准确度达到 97%,但进行了 500 轮的迭代,在前期收敛较慢7。雷禹等根据 SAR 图像的特性选用 ResNet18 基础上引入注意力机制,最后引入标签平滑,准确度达到了79%8。上述研究在一定程度上提升了基于深度神经网络的舰船目标
11、识别效果,但在运行效率与准确度上还不高,因此在本文中,基于 YOLOv5 框架融合ResNet50,在检测过滤上进行改进。利用 CSPNet9代替原始的卷积块,特征融合上,基于 RepGFPN 的融合模块中替换解耦头并重新定义损失函数,增强了特征融合能力的同时提高了运算效率。试验结果表明运用在 SAR 图像检测上并传播 40 次的效果已经达到 92%的准确度。在预测集上,所采用的方法对比其他模型也有显著提升。1 研究背景舰船是海洋领域作业的主要研究对象,与陆地交通工具相比,具有机动性好、成本低等优点,因此各国都十分重视舰船的研究和开发。早在 20 世纪40 年代,美国就对大型汽船进行了大量研究
12、工作,并建立了专门机构对大型汽船的发展进行指导。二战结束后,西方国家为应对战争而研制的核潜艇、核动力潜艇等先进舰艇得到了进一步发展和完善10。与此同时,海洋领域也迎来了发展的高峰期。大部分国家都十分重视海洋资源的开发和利用,对海上舰船进行研究也成为重要研究内容之一。SAR 图像也叫遥感图像11,它结合了合成孔径与脉冲压缩技术并加入信号处理的方法,利用技术手段达到高分辨率成像的效果。SAR 图像属于微波成像,图像映现雷达的波束对目标的勘查,图像信息由地物目标的后向散射形成,一般采用灰度值反映图像信息,地表反射强度越大,灰度值越高。因此,SAR 图像中的目标由大量亮点组成。1.1 基于传统方法的检
13、测基于传统方法的检测有 SAR 图像分割法12、恒虚警率(Constant False Alarm Rate,CFAR)法13等,这些提取方法以人工设计为主,与环境变化有较差的耦合性,尤其设计过程复杂耗时,难以保证检测的时效性。为了避免人工特征标注的复杂操作,随着深度学习的发展,开始应用卷积神经网络(ConvolutionalNeural Networks,CNN)对图像高层特征进行提取,这为 SAR 图像的检测提供了新的方向。1.2 基于神经网络的检测深度学习图像检测有比较明显的替代人工选取的优势,得到输入与输出之间在数据中的关系或近似关系,具有较高的分类准确度。图像检测通过R-CNN 实现
14、检测,采用提取框、提取特征、图像分类和非极大值抑制四个步骤进行14。2015 年 Girshick为了提升速度,对每个图像用 CNN 正向通道代替独立的特征向量提出了更快的 Faster R-CNN15。后35宇航计测技术2024 年续提出的 Mask R-CNN 则为像素的切割需要精准的边界框16,已应用于 SAR 遥感图像检测中。1.3 性能对比YOLO 没有显示区域选取(Region Proposal)的过程。在 Faster R-CNN 中,尽管区域生成网络(Region Proposal Networks,RPN)与 Faster R-CNN 共享卷积层,但是在模型训练过程中,需要反
15、复训练RPN 网络和 Faster R-CNN 网络。在检测中进行试验对比,以每秒钟传输的帧数(Frames Per Second,FPS)作为指标,不同算法检测速度对比如表1 所示。相对于 R-CNN 系列的候选框提取与分类,相比其他的检测算法,YOLO 在保证一定检测准确度的情况下速度更快。在 YOLOv1 中,对回归和目标分类进行了整理,随后的版本进一步解决了多先验框和大感受野,并加入了特征融合,进一步提升了检测准确度。目前 YOLO 最新版本为 YOLOv8,因此选择其作为检测对照模型。表 1 目标检测速度比较Tab.1 Target detection speed compariso
16、n检测模型FPS/帧s-1Faster R-CNN5SSD19YOLOv5140YOLOv81502 改进思路由于 YOLOv8 和 YOLOv5 的设计和参数不同,在图像识别任务性能上表现不一。试验中发现YOLOv8 应用于舰船目标检测中准确度不高。目前改进多以 YOLOv5 版本为主,网络结构如图 1 所示。YOLOv5 根据规模的不同有不同版本,选用在计算资源有限的设备上最快的 YOLOv5s 轻量化版本。图 1 YOLOv5 结构示意图Fig.1 Structure diagram of YOLOv52.1 基于 ResNet 融合分类块神经网络常被认为是叠加了卷积层和池化层,并伴随着
17、层数扩大,能够捕获更多的图片信息和拥有更高的学习效果。但在试验中发现,随着卷积层和池化层的扩大,不但没有出现学习效果越来越好的情况,反而出现网络退化、梯度消失和梯度爆炸16,使得预测效果降低。ResNet 通过引入残差模块解决网络退化17,如图 2 所示。把模型输入 x 分成跳跃链接,保留原封不动的恒等映射记为,左侧保留神经网络。在 的基础上拟合输入,再进行偏移和修改。在 ResNet中,假设某个神经网络单元的输入是 x,实际输出为F(x),期望输出为 H(x)。由于诸多残差堆叠形成,将残差单元的输出变为F(x)+x(1)通过式(1)使网络加深并且抑制了网络退化。45第 2 期基于改进 YOL
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 YOLOv5 ResNet 海上 舰船 SAR 图像 快速 检测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。