改进Faster R-CNN的SAR图像船舶检测技术

作者：张阳; 刘小芳; 周鹏成

来源：无线电工程, 2022, 52(12): 2280-2287.

• SAR图像
• 船舶检测
• Swin Transformer
• 多尺度融合
• 可变形卷积
• 损失函数

针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像船舶检测时存在复杂背景、强散射杂波干扰以及目标密集等问题，提出了一种基于改进Faster R-CNN的SAR图像船舶检测方法。使用Swin Transformer与多尺度融合网络结构作为骨干网络，加强特征提取和提升不同大小目标检测效果；采用ROI Align池化操作替换ROI Pooling池化操作，使得小目标定位更加准确；在骨干网络后引入可变形卷积生成新的特征图与生成的区域建议特征图进行融合，可以很好地缓解复杂背景和杂波干扰问题；使用Focal Loss损失函数作为分类损失函数，降低负样本的分类损失。实验结果表明，改进的Faster R-CNN算法检测精度在02景GF-3卫星及108景哨兵1号卫星的融合数据集上AP[0.5∶0.95]达到61.3%,比原始Faster R-CNN算法提高6.2%。

• 出版日期2022
• 单位四川轻化工大学