点击蓝色“雷达学报”关注
电脑端视频播放地址(雷达学报b站学习平台):
合成孔径雷达(SAR)采用相干成像机制,具有全天时、全天候成像的独特优势。飞机是SAR图像解译关注的典型目标,高精度的飞机目标检测识别在军事和民用领域具有重要的应用价值。
目前,SAR图像中飞机目标检测识别仍极具挑战:一是飞机目标在SAR图像中的散射点离散化程度较高,部件之间的关联性较弱,难以完整检测整个目标;二是目标尺度多样、弱小目标易漏检;三是目标姿态敏感性强,随目标方位角的变化,即使是同一型号的飞机目标在SAR图像中所呈现出的视觉外观、散射中心和几何轮廓也并不完全相同;而不同型号的飞机目标却有可能具有非常相似的外观,造成了较大的类内差异和较高的类间相似性;四是背景复杂,飞机周边的地物(如廊桥、车辆等)易形成较多的强散射结构,对飞机目标的散射造成干扰。此外,由于数据获取成本较高、目标的标注需专业人员,缺乏大规模、已标注的训练样本支撑基于深度学习的目标智能解译算法的研究与应用。
近年来,国防科技大学计科峰教授团队对SAR图像飞机目标检测与识别开展了系统、深入的研究。图2 国防科技大学计科峰教授团队
在面向复杂场景的飞机目标检测方面,2021年,提出金字塔注意力空洞卷积网络,强化对目标非局部化散射信息的准确提取以及对目标关键特征的判别能力,实现对飞机目标散射点离散化条件下的准确检测;随后,提出注意力特征融合网络,构建包含有低、中、高三层精细化特征图的特征金字塔,通过强化对飞机浅层语义特征的提取与表征能力,提升复杂背景干扰下的目标检测性能。于2022年,提出注意力特征细化与对齐网络,进一步提升了SAR图像飞机目标检测性能。在少样本条件下的飞机目标分类方面,将度量与分类算法相结合,针对现有度量分类算法对少样本条件目标判别能力弱的情况,引入基于均值距离的困难样本挖掘策略,提升对多类目标的分类识别能力。面向实际大场景星载、机载数据的应用,提出了基于机场区域精细化提取与飞机目标粗细化检测识别相结合的一体化处理框架。图3 课题组在SAR图像飞机目标智能检测与识别方面的相关研究成果
基于已有研究基础,课题组调研了国内外相关研究,对基于深度学习的SAR图像飞机目标检测与识别技术进行了综述。该文以SAR图像飞机目标检测识别难点为脉络,将现有基于深度学习的飞机目标检测分为5类:基于机场定位与掩模技术、视觉显著性检测、多尺度融合和注意力机制、散射特征和结构信息的利用,以及异源数据辅助下的飞机目标检测。基于深度学习的SAR图像飞机目标分类研究现状分为2类:基于散射特征与深度特征的目标分类、小样本条件下的目标分类。然后,针对不同方法的特点和应用场景等方面进行了分析。由于SAR图像数据的获取渠道较少,且缺乏通用的SAR飞机目标基准数据集对算法进行有效训练和评估,在一定程度上制约着飞机目标检测识别领域的研究。该文汇总整理了相关公开数据集,并在公开数据集上对现有典型方法进行了对比与分析。最后对该文进行了总结,并对该领域研究面临的挑战和发展趋势进行了展望。
罗 汝,博士生,研究方向为SAR图像解译,可解释人工智能,深度学习,目标检测与识别技术。赵凌君,副教授,研究方向为遥感信息处理,合成孔径雷达目标自动识别等。何奇山,博士生,研究方向为SAR目标检测识别、深度学习。计科峰,博士,教授,博士生导师。研究方向为合成孔径雷达(SAR)目标电磁散射特性建模、特征提取、检测识别以及多源空天遥感图像智能处理与解译基础理论、核心关键技术以及系统集成与应用等。匡纲要,博士,教授,博士生导师,研究方向为遥感图像智能解译、SAR图像目标检测与识别。编辑:刘宇杰
欢迎转发本号原创内容,转载和摘编需经本号授权并标注原作者和信息来源为《雷达学报》。本号发布信息旨在传播交流,其内容由作者负责,不代表本号观点。如涉及文字、图片、版权等问题,请在20日内与本号联系,我们将第一时间处理。《雷达学报》拥有最终解释权。