典型文献
基于改进YOLOv3的SAR舰船图像目标识别技术
文献摘要：
合成孔径雷达(SAR)图像自动目标识别(ATR)技术是人工图像解译的关键技术之一.针对传统的SAR舰船目标检测算法大多受限于场景且泛化能力较差的问题,设计了一种基于改进YOLOv3网络的检测模型.将YOLOv3与DenseNet网络融合,使用稠密网络模块代替用于提取中小尺度特征的残差网络模块,通过训练得到模型的最优权重,实现端到端的目标检测.使用综合交并比(GIoU)损失代替交并比(IoU)边界框回归损失,提供更加准确的边界框位置信息,提高检测精度,采用中国科学院空天信息研究院制作的SAR图像船舶检测数据集进行测试.测试结果表明:与原YOLOv3算法相比,改进后的YOLOv3检测准确率提高了1.4％.
文献关键词：
合成孔径雷达(SAR)舰船图像;目标检测;YOLOv3;DenseNet;多尺度先验框;综合交并比(GIoU)
中图分类号：
作者姓名：
姜浩风;张顺;梅少辉
作者机构：
西北工业大学 电子信息学院,陕西 西安710072
文献出处：
引用格式：
[1]姜浩风;张顺;梅少辉-.基于改进YOLOv3的SAR舰船图像目标识别技术)[J].上海航天（中英文）,2022(03):60-66
A类：
人工图像,多尺度先验框
B类：
YOLOv3,SAR,目标识别技术,合成孔径雷达,自动目标识别,ATR,图像解译,舰船目标检测,目标检测算法,受限于,泛化能力,检测模型,DenseNet,网络融合,稠密网络,替用,中小尺度,尺度特征,残差网络模块,练得,最优权重,端到端,交并比,GIoU,边界框回归,位置信息,高检,检测精度,中国科学院,信息研究,船舶检测,检测数据集,检测准确率
AB值：
0.370905
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。
