基于深度学习的SAR图像舰船检测算法鲁棒性研究

摘要

近年来,深度学习技术在SAR图像舰船目标检测中取得了显著的效果,其自动学习特征的特点为目标检测提供了便捷性.但是,在SAR成像的回波中,不可避免地会接收到非目标的散射信息,会对SAR成像造成一定的模糊干扰,所以深度学习的表现能力在不同条件下的影响仍需进一步研究.本文采取三种不同散射类型的场景:城镇、海岸线、田地,叠加到SAR图像数据集中的测试集图像上,在两种典型的深度学习算法:SSD、Faster R-CNN下分析其鲁棒性,并根据网络结构对算法针对性改进.通过实验结果表明,SSD算法鲁棒性优于Faster R-CNN算法,网络的深度与多尺度检测都会影响算法的稳定性,本文最后为算法在SAR图像舰船目标检测的适应性与扩展性给出值得研究的方向.