基于生成对抗网络和线上难例挖掘的SAR图像舰船目标检测

基于生成对抗网络和线上难例挖掘的SAR图像舰船目标检测

TN957.51; 基于深度学习的SAR图像舰船目标检测算法对图像的数量和质量有很高的要求,而收集大体量的舰船SAR图像并制作相应的标签需要消耗大量的人力物力和财力.该文在现有SAR图像舰船目标检测数据集(SSDD)的基础上,针对目前检测算法对数据集利用不充分的问题,提出基于生成对抗网络(GAN)和线上难例挖掘(OHEM)的SAR图像舰船目标检测方法.利用空间变换网络在特征图上进行变换,生成不同尺寸和旋转角度的舰船样本的特征图,从而提高检测器对不同尺寸、旋转角度的舰船目标的适应性.利用OHEM在后向传播过程中发掘并充分利用难例样本,去掉检测算法中对样本正负比例的限制,提高对样本的利用率.通过在...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:电子与信息学报 2019, Vol.41 (1), p.143-149
Hauptverfasser: 李健伟, 曲长文, 彭书娟, 江源
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 149
container_issue 1
container_start_page 143
container_title 电子与信息学报
container_volume 41
creator 李健伟
曲长文
彭书娟
江源
description TN957.51; 基于深度学习的SAR图像舰船目标检测算法对图像的数量和质量有很高的要求,而收集大体量的舰船SAR图像并制作相应的标签需要消耗大量的人力物力和财力.该文在现有SAR图像舰船目标检测数据集(SSDD)的基础上,针对目前检测算法对数据集利用不充分的问题,提出基于生成对抗网络(GAN)和线上难例挖掘(OHEM)的SAR图像舰船目标检测方法.利用空间变换网络在特征图上进行变换,生成不同尺寸和旋转角度的舰船样本的特征图,从而提高检测器对不同尺寸、旋转角度的舰船目标的适应性.利用OHEM在后向传播过程中发掘并充分利用难例样本,去掉检测算法中对样本正负比例的限制,提高对样本的利用率.通过在SSDD数据集上的实验证明以上两点改进对检测算法性能分别提升了1.3％和1.0％,二者结合提高了2.1％.以上两种方法不依赖于具体的检测算法,且只在训练时增加步骤,在测试时候不增加计算量,具有很强的通用性和实用性.
doi_str_mv 10.11999/JEIT180050
format Article
fullrecord <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_dzkxxk201901020</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>dzkxxk201901020</wanfj_id><sourcerecordid>dzkxxk201901020</sourcerecordid><originalsourceid>FETCH-LOGICAL-s1020-7b3d385a2da25a3070e203967b560056b88b12121cda684343ac804bff43d6e03</originalsourceid><addsrcrecordid>eNpjYBA2NNAzNLS0tNT3cvUMMbQwMDA1YGHgNDQwsNQ1tbA042DgLS7OTDIwMjY0MzcwMOZk8H46f9eTXX3Pp8x_1jHh6fqdz7qmP9878fnuOU8n9Tzftf_Jjq6Xs_Y92df9rGfas74Zz2e1BDsGPZ2972lz_4uODS86dj6fve7ZgvZnixuebe3mYWBNS8wpTuWF0twMoW6uIc4euj7-7p7Ojj66xYYGRga65knGKcYWpolGKYlGponGBuYGqUYGxpZm5kmmZkAHmyVZWCQZGgFhckqimYWJsYlxYrKFgUlSWpqJcYpZqoExN4M6xNzyxLy0xLz0-Kz80qI8oI3xKVXZFRXZRgaGlgYgq4wBHYVmIg</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于生成对抗网络和线上难例挖掘的SAR图像舰船目标检测</title><source>Alma/SFX Local Collection</source><creator>李健伟 ; 曲长文 ; 彭书娟 ; 江源</creator><creatorcontrib>李健伟 ; 曲长文 ; 彭书娟 ; 江源</creatorcontrib><description>TN957.51; 基于深度学习的SAR图像舰船目标检测算法对图像的数量和质量有很高的要求,而收集大体量的舰船SAR图像并制作相应的标签需要消耗大量的人力物力和财力.该文在现有SAR图像舰船目标检测数据集(SSDD)的基础上,针对目前检测算法对数据集利用不充分的问题,提出基于生成对抗网络(GAN)和线上难例挖掘(OHEM)的SAR图像舰船目标检测方法.利用空间变换网络在特征图上进行变换,生成不同尺寸和旋转角度的舰船样本的特征图,从而提高检测器对不同尺寸、旋转角度的舰船目标的适应性.利用OHEM在后向传播过程中发掘并充分利用难例样本,去掉检测算法中对样本正负比例的限制,提高对样本的利用率.通过在SSDD数据集上的实验证明以上两点改进对检测算法性能分别提升了1.3％和1.0％,二者结合提高了2.1％.以上两种方法不依赖于具体的检测算法,且只在训练时增加步骤,在测试时候不增加计算量,具有很强的通用性和实用性.</description><identifier>ISSN: 1009-5896</identifier><identifier>DOI: 10.11999/JEIT180050</identifier><language>chi</language><publisher>海军航空大学 烟台 264001%92228部队,北京 100044</publisher><ispartof>电子与信息学报, 2019, Vol.41 (1), p.143-149</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><lds50>peer_reviewed</lds50><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/dzkxxk/dzkxxk.jpg</thumbnail><link.rule.ids>314,780,784,4024,27923,27924,27925</link.rule.ids></links><search><creatorcontrib>李健伟</creatorcontrib><creatorcontrib>曲长文</creatorcontrib><creatorcontrib>彭书娟</creatorcontrib><creatorcontrib>江源</creatorcontrib><title>基于生成对抗网络和线上难例挖掘的SAR图像舰船目标检测</title><title>电子与信息学报</title><description>TN957.51; 基于深度学习的SAR图像舰船目标检测算法对图像的数量和质量有很高的要求,而收集大体量的舰船SAR图像并制作相应的标签需要消耗大量的人力物力和财力.该文在现有SAR图像舰船目标检测数据集(SSDD)的基础上,针对目前检测算法对数据集利用不充分的问题,提出基于生成对抗网络(GAN)和线上难例挖掘(OHEM)的SAR图像舰船目标检测方法.利用空间变换网络在特征图上进行变换,生成不同尺寸和旋转角度的舰船样本的特征图,从而提高检测器对不同尺寸、旋转角度的舰船目标的适应性.利用OHEM在后向传播过程中发掘并充分利用难例样本,去掉检测算法中对样本正负比例的限制,提高对样本的利用率.通过在SSDD数据集上的实验证明以上两点改进对检测算法性能分别提升了1.3％和1.0％,二者结合提高了2.1％.以上两种方法不依赖于具体的检测算法,且只在训练时增加步骤,在测试时候不增加计算量,具有很强的通用性和实用性.</description><issn>1009-5896</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2019</creationdate><recordtype>article</recordtype><recordid>eNpjYBA2NNAzNLS0tNT3cvUMMbQwMDA1YGHgNDQwsNQ1tbA042DgLS7OTDIwMjY0MzcwMOZk8H46f9eTXX3Pp8x_1jHh6fqdz7qmP9878fnuOU8n9Tzftf_Jjq6Xs_Y92df9rGfas74Zz2e1BDsGPZ2972lz_4uODS86dj6fve7ZgvZnixuebe3mYWBNS8wpTuWF0twMoW6uIc4euj7-7p7Ojj66xYYGRga65knGKcYWpolGKYlGponGBuYGqUYGxpZm5kmmZkAHmyVZWCQZGgFhckqimYWJsYlxYrKFgUlSWpqJcYpZqoExN4M6xNzyxLy0xLz0-Kz80qI8oI3xKVXZFRXZRgaGlgYgq4wBHYVmIg</recordid><startdate>2019</startdate><enddate>2019</enddate><creator>李健伟</creator><creator>曲长文</creator><creator>彭书娟</creator><creator>江源</creator><general>海军航空大学 烟台 264001%92228部队,北京 100044</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2019</creationdate><title>基于生成对抗网络和线上难例挖掘的SAR图像舰船目标检测</title><author>李健伟 ; 曲长文 ; 彭书娟 ; 江源</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-LOGICAL-s1020-7b3d385a2da25a3070e203967b560056b88b12121cda684343ac804bff43d6e03</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2019</creationdate><toplevel>peer_reviewed</toplevel><toplevel>online_resources</toplevel><creatorcontrib>李健伟</creatorcontrib><creatorcontrib>曲长文</creatorcontrib><creatorcontrib>彭书娟</creatorcontrib><creatorcontrib>江源</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>电子与信息学报</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>李健伟</au><au>曲长文</au><au>彭书娟</au><au>江源</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于生成对抗网络和线上难例挖掘的SAR图像舰船目标检测</atitle><jtitle>电子与信息学报</jtitle><date>2019</date><risdate>2019</risdate><volume>41</volume><issue>1</issue><spage>143</spage><epage>149</epage><pages>143-149</pages><issn>1009-5896</issn><abstract>TN957.51; 基于深度学习的SAR图像舰船目标检测算法对图像的数量和质量有很高的要求,而收集大体量的舰船SAR图像并制作相应的标签需要消耗大量的人力物力和财力.该文在现有SAR图像舰船目标检测数据集(SSDD)的基础上,针对目前检测算法对数据集利用不充分的问题,提出基于生成对抗网络(GAN)和线上难例挖掘(OHEM)的SAR图像舰船目标检测方法.利用空间变换网络在特征图上进行变换,生成不同尺寸和旋转角度的舰船样本的特征图,从而提高检测器对不同尺寸、旋转角度的舰船目标的适应性.利用OHEM在后向传播过程中发掘并充分利用难例样本,去掉检测算法中对样本正负比例的限制,提高对样本的利用率.通过在SSDD数据集上的实验证明以上两点改进对检测算法性能分别提升了1.3％和1.0％,二者结合提高了2.1％.以上两种方法不依赖于具体的检测算法,且只在训练时增加步骤,在测试时候不增加计算量,具有很强的通用性和实用性.</abstract><pub>海军航空大学 烟台 264001%92228部队,北京 100044</pub><doi>10.11999/JEIT180050</doi><tpages>7</tpages></addata></record>
fulltext fulltext
identifier ISSN: 1009-5896
ispartof 电子与信息学报, 2019, Vol.41 (1), p.143-149
issn 1009-5896
language chi
recordid cdi_wanfang_journals_dzkxxk201901020
source Alma/SFX Local Collection
title 基于生成对抗网络和线上难例挖掘的SAR图像舰船目标检测
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-01-03T01%3A46%3A10IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E7%94%9F%E6%88%90%E5%AF%B9%E6%8A%97%E7%BD%91%E7%BB%9C%E5%92%8C%E7%BA%BF%E4%B8%8A%E9%9A%BE%E4%BE%8B%E6%8C%96%E6%8E%98%E7%9A%84SAR%E5%9B%BE%E5%83%8F%E8%88%B0%E8%88%B9%E7%9B%AE%E6%A0%87%E6%A3%80%E6%B5%8B&rft.jtitle=%E7%94%B5%E5%AD%90%E4%B8%8E%E4%BF%A1%E6%81%AF%E5%AD%A6%E6%8A%A5&rft.au=%E6%9D%8E%E5%81%A5%E4%BC%9F&rft.date=2019&rft.volume=41&rft.issue=1&rft.spage=143&rft.epage=149&rft.pages=143-149&rft.issn=1009-5896&rft_id=info:doi/10.11999/JEIT180050&rft_dat=%3Cwanfang_jour%3Edzkxxk201901020%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=dzkxxk201901020&rfr_iscdi=true