典型文献
基于改进RetinaNet的SAR图像目标检测方法
文献摘要：
近年来,深度学习方法在合成孔径雷达(SAR)图像目标检测中得到了广泛的应用.船舶出现在近海、港口、岛礁、远洋等各种场景中,同时海洋环境复杂多变,使得船舶目标检测很难排除混乱背景的干扰.对于大纵横比、任意方向、密集分布的目标,精确定位变得更加复杂.本文基于深度学习的方法提出用于SAR图像目标检测的改进RetinaNet模型,使用深度残差网络自主获取图像特征,利用基于圆形平滑标签(Circular Smooth Label,CSL)的旋转框检测方法实现精准定位,在分类与定位网络中加入了注意力机制以增强网络特征提取能力.经SSDD数据集实验验证,本文方法目标检测精度达到88.63％,比传统RetinaNet模型提高了8.74％,表现出了良好的检测效果.
文献关键词：
合成孔径雷达图像;目标检测;RetinaNet;旋转框;注意力机制
中图分类号：
作者姓名：
岳冰莹;陈亮;师皓;盛青青
作者机构：
北京理工大学信息与电子学院雷达技术研究所,北京100081;北京理工大学重庆创新中心,重庆401120;嵌入式实时信息处理技术北京市重点实验室,北京100081;北京理工大学
文献出处：
引用格式：
[1]岳冰莹;陈亮;师皓;盛青青-.基于改进RetinaNet的SAR图像目标检测方法)[J].信号处理,2022(01):128-136
A类：
B类：
RetinaNet,SAR,图像目标检测,目标检测方法,深度学习方法,近海,港口,岛礁,远洋,海洋环境,环境复杂,船舶目标检测,纵横比,任意方向,密集分布,精确定位,使用深度,深度残差网络,图像特征,圆形平滑标签,Circular,Smooth,Label,CSL,旋转框检测,精准定位,注意力机制,网络特征,特征提取能力,SSDD,检测精度,检测效果,合成孔径雷达图像
AB值：
0.424525
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
