基于改進YOLOv7的SAR圖像艦船目標檢測算法

張 上, 李夢思, 陳永麟, 張 卓

(1.水電工程智能視覺監(jiān)測湖北省重點實驗室,湖北 宜昌 443000; 2.湖北省建筑質(zhì)量檢測裝備工程技術研究中心,湖北 宜昌 443000; 3.三峽大學計算機與信息學院,湖北 宜昌 443000)

0 引言

從20世紀80年代至今,合成孔徑雷達(SAR)[1]系統(tǒng)及信號處理技術越發(fā)成熟,SAR數(shù)據(jù)的應用范圍愈加廣泛。艦船圖像檢測的應用發(fā)展前景于軍事領域而言,對特定類型船舶采取精準定位措施有助于防御布局,提升海防安全預警的能力;于民生領域而言,對非法入境者、走私販及非法打撈漁船等船只監(jiān)控檢測,利于維護船舶安全管理體系的穩(wěn)定。當前艦船目標信息獲取方式[2]分別為輻射噪聲信號、雷達回波、衛(wèi)星遙感、合成孔徑雷達、紅外圖像等幾個來源。其中,合成孔徑雷達成像以其不受多種復雜環(huán)境因素影響,可全天候、任意時段、多角度地完成檢測監(jiān)控任務的優(yōu)點,成為當前艦船圖像檢測主要數(shù)據(jù)來源。

目前,國內(nèi)外研究者在SAR圖像艦船目標檢測與分類方向推進了大量創(chuàng)新研究工作,建立了較為成熟的SAR圖像艦船目標監(jiān)視系統(tǒng)[3]。如何快速、準確地滿足當前需求,從海量遙感數(shù)據(jù)中智能識別檢測出艦船目標是當前研究方向的熱點。

基于深度學習的目標檢測技術被廣泛應用于SAR艦船目標檢測。目標檢測至今已有近20年的研究歷史,從最初的R-CNN[4]到之后提出的Fast R-CNN[5]、Mask R-CNN[6]、Faster R-CNN[7]、YOLO[8-10]系列及SSD[11]等,這種神經(jīng)網(wǎng)絡學習特征方式在復雜場景下依舊保持良好的性能,滿足工業(yè)類應用大部分功能需求。……