研究目的
为解决合成孔径雷达图像中因方位模糊和具有相似散射机制的建筑物导致的船舶检测虚警问题,通过应用自主设计的深度卷积神经网络来区分真实船舶与虚警目标。
研究成果
自设计的深度卷积神经网络能有效区分合成孔径雷达图像中的船只与虚警,在两个数据集上均实现超过95%的分类准确率。这表明深度学习具备自动学习基于SAR的船只判别特征的能力,在现有方法基础上取得显著改进,特别是在真阳性分类方面。未来工作将聚焦于特征分析与更多评估。
研究不足
该模型需要对船舶进行特征分析,并对第二个数据集进行进一步评估,这些工作计划在后续研究中开展。潜在的优化方向包括更深入地分析误分类情况,以及扩展至更多样化的数据集。
1:实验设计与方法选择:
本研究采用受VGG16启发并针对SAR图像处理改进的自设计深度卷积神经网络(CNN),包括"same"填充和特定层配置。方法流程包含训练与验证过程,将船舶切片分类为真阳性、假阳性和真阴性等类别。
2:样本选择与数据来源:
使用两个数据集:一个从IEEEDataPort SARSHIPDATA重建(含22幅双Sentinel-1和2幅单TerraSAR-X图像,提供48x48像素的三种类别船舶切片);另一个由10景Sentinel-1 SAR图像构建(含船舶与非船舶两类切片)。数据归一化至[0,255]并存储为JPG格式。
3:实验设备与材料清单:
在Ubuntu 14.04系统上使用Tensorflow实现,配备一块GTX 1070 GPU(8GB显存)。
4:04系统上使用Tensorflow实现,配备一块GTX 1070 GPU(8GB显存)。
实验流程与操作步骤:
4. 实验流程与操作步骤:从SAR图像获取船舶切片,划分为训练集(80%)和验证集(20%)。CNN采用Adam优化器训练,超参数设置为:学习率0.001、丢弃概率0.5、批量大小256。训练包含150个周期,并在验证数据上评估模型。
5:丢弃概率批量大小256。训练包含150个周期,并在验证数据上评估模型。
数据分析方法:
5. 数据分析方法:监测训练与测试过程中的分类准确率和损失值。使用准确度指标将结果与其他方法(三次方SVM、Highway-50网络、Adaboost)进行对比。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容