夏一帆,趙鳳軍,王櫻潔,王春樂
(1.中國科學院空天信息創(chuàng)新研究院,北京 100190;2.中國科學院大學 電子電氣與通信工程學院,北京 100049)
合成孔徑雷達(Synthetic Aperture Radar,SAR)以其全天候、全天時、高分辨率和穿透云霧和植被的能力,具有光學傳感器無法比擬的優(yōu)勢,在目標檢測中逐步得到應用。飛機目標具有高價值和時敏性的特點[1],對檢測的自動化、有效性和實時性提出了較高的要求,因而精確、魯棒、快速的飛機目標檢測算法成為當前研究的熱點。
以恒虛警率(Constant False Alarm Rate,CFAR)等為代表的傳統(tǒng)SAR目標檢測算法,主要思想是將目標從背景中分割出來后,根據(jù)目標的特性建立模型進行檢測和識別。傳統(tǒng)的算法[2-5]檢測往往依賴人工設計特征,實現(xiàn)過程效率低且泛化能力差,對強噪聲的抑制能力較弱,在復雜場景下受周圍強反射地物干擾難以準確建模。
隨著計算機算力的提升和深度學習的發(fā)展,基于神經(jīng)網(wǎng)絡的目標檢測算法開始興起。Girshick等人[6]提出了二階段目標檢測算法R-CNN(Region Convolution Neural Network),通過選擇性搜索算法獲得候選區(qū)域,并使用CNN提取特征,然后將提取的特征輸入分類器進行分類,最后利用全連接網(wǎng)絡進行邊框回歸。此后的Faster R-CNN[7]和Cascade R-CNN[8]等都是基于該思想加以改進。Redmon等人[9]提出了一階段目標檢測算法YOLO(You Only Look Once),其思想就是將圖像劃分成多個網(wǎng)格,然后為每一個網(wǎng)格同時預測邊界框并給出相應概率。YOLO系列發(fā)展迅速,迄今已有多個版本,受到了研究者們廣泛認可[10-12]。
雖然許多研究者都注意到了飛機目標在SAR圖像中多呈現(xiàn)出小目標密集分布的情況,但是卻往往忽視了SAR圖像中飛機目標的多尺度的問題。……