文献3 基于改进型YOLOv3的SAR图像舰船目标检测

基于改进型YOLOv3的SAR图像舰船目标检测

0.概述

本文主要介绍了新提出的一种改进型YOLOv3的SAR图像船舰目标检测方法，此方法依据船舰尺寸与形状自适应采样的可变形卷积、ResNet50变体特征提取器和ShuffleNetv2（参见博客介绍)轻量化思想等设计YOLOv3模型。在SSDD数据集上验证，检测效果上比原YOLOv3模型，平均精度从93.21%提高到96.94%。检测概率从95.51%提高至97.75%；模型大小方面，轻量化设计模型仅为原来模型的八分之一。

1.研究目标

利用改进型的YOLOv3模型实现SAR图像的船舰检测。
创新点：

PS：
平均池化作用—保留背景信息。当全局信息均有贡献时，求平均将导致特征差异减小；代替全连接层时平均池化可以支持任意大小的输入。
最大池化—主要用于降维，提取出特征差异最大的值。

2.背景与问题

背景
SAR图像船舰目标检测应用广泛，民用领域上有助于海运检测与管理；军事领域上有利于战术部署，提高海防预警能力。
问题
传统的SAR图像目标检测方法多依赖于人工手动设计提取复杂特征，取得的效果泛化能力较差。

3.方法

• 保留了原网络效果好的部分：如融合特征金字塔结构进行多尺度预测以便于识别不同尺度的舰船目标；损失函数对小目标的偏重思想以防止小舰船目标预测错误对整体损失函数无太大影响，使得网络能够注意到小目标。
• 采用ResNet50网络（ResNet网络采用残差连接的方式可解决神经网络增加深度的同时梯度消失的问题）基本结构作为特征提取网络，有效降低参数量与重复特征数量。
• 在特征提取网络最后一个阶段采用可变形卷积—基本思想是对采样点学习一个偏移，使得卷积核专注于感兴趣区域Or目标而不是固定位置的采样。

4.评价

此文使用的改进算法在SSDD测试集上mAP提高至96.64%，模型大小降至172MB.此文算法抗干扰性很好，复杂背景情况下依旧可以正确识别船舰目标。但是对于近海岸目标和岛屿等目标存在着识别问题。

5.结论

改进的模型较原来的模型检测效果和精度都有很大的提高，对于未来的轻量化网络研究意义非凡。

版权声明：本文为CSDN博主「是谁的兴啊」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_44814176/article/details/111588737