一、SAR图像舰船目标检测算法的对比研究（论文文献综述）
黎一丁[1]（2021）在《基于深度学习的SAR图像舰船目标检测算法研究》文中研究说明目前深度学习算法已广泛应用于合成孔径雷达（SAR,Synthetic Aperture Radar）图像的目标检测。然而,当前主流基于深度学习的检测方法存在模型复杂度高、检测速度慢以及对特殊尺寸目标检测性能低等问题。针对上述问题,本文将着重研究基于改进Faster R-CNN（Faster Region-based Convolutional Neural Network）的SAR图像舰船目标检测算法,完成的主要工作如下:（1）针对传统深度学习网络存在模型复杂度高和检测速度慢的问题,提出了一种基于改进Faster R-CNN的轻量型目标检测网络,保证高检测精度的同时大幅提升目标检测速度。其次,针对SAR图像中特殊尺寸目标漏检的问题,设计了一种具有特征中继放大和多尺度特征连接的特征提取网络,用以提高网络对不同尺寸目标的检测性能。另外,改进了识别与定位任务网络,进一步提升预设目标框的精度以及检测速度。（2）针对开源数据集SSDD（SAR Ship Detection Dataset）,从检测精度、检测速度以及不同尺寸目标的检测性能方面对提出的目标检测网络、传统Faster R-CNN网络与SSD（Single Shot multibox Detector）网络进行了对比实验和分析。实验结果表明,本文提出的检测网络在保证高的检测精度的前提下,检测速度相比于Faster R-CNN和SSD等传统网络都有大幅度的提升。而且本文提出的网络对特殊尺寸的目标的检测性能也有明显优势。（3）针对实际SAR图像尺寸过大无法直接送入深度学习网络的问题,提出了一种基于实际SAR图像的目标检测方法。通过对实际SAR图像的分割、预识别和拼接等操作完成预处理,结合本文提出的目标检测网络,设计了一个适用于实际SAR图像的快速、精准、轻量化的目标检测网络模型。
苏博茹[2]（2021）在《基于深度学习的SAR图像舰船目标检测算法研究》文中认为目前,深度学习算法已经广泛应用于SAR（Synthetic Aperture Radar）图像的舰船目标检测领域。不过,由于舰船目标在SAR图像中呈现分布稀疏、尺寸差异大、长宽比悬殊等特点,这导致传统Faster R-CNN算法检测这种类型的舰船目标时存在准确率低、漏检率高等问题。针对上述问题,本文开展的主要工作如下:首先,针对传统Faster R-CNN算法在检测舰船目标存在的局限性,提出了一种基于改进Faster R-CNN的目标检测网络。采用Guided Anchoring-RPN处理长宽比悬殊的舰船目标,结合卷积层和全连接层对舰船目标进行识别和位置回归,这样降低了舰船目标的误检率,也提高了预测锚框对舰船目标的包裹性。针对小型舰船漏检的问题,利用特征金字塔结构生成多尺度融合特征用于分类和回归,并通过RoIAlign减少训练过程中的量化误差,从而提高检测网络对小目标的检测性能。其次,针对开源数据集SAR-Ship-Dataset,从检测精度、预测锚框PR曲线、鲁棒性和泛化性能等方面对提出的检测网络、传统Faster R-CNN网络和SSD网络进行了对比实验和分析。在检测精度方面,提出的检测网络相比传统Faster R-CNN网络和SSD网络分别有6.6%和10.9%的性能提升;从预测锚框PR曲线上来看,提出的检测网络具有更高的检测准确率和更低的漏警率;在鲁棒性方面,提出的检测网络在四种不同类型噪声情况下的检测性能都优于其它两种网络;在泛化性能方面,提出的检测网络在SSDD数据集上的准确率最高,泛化性能更好。综合来看,针对小型尺寸和长宽比悬殊的舰船目标,提出的检测网络比其它两种网络具有更优的检测性能、更低的漏检概率、更强的鲁棒性和更好的泛化性能。
张露[3]（2021）在《基于小样本学习的SAR图像舰船目标检测研究》文中提出舰船目标检测对于维护我国领土安全和合法权益、促进渔业健康发展具有重要意义。SAR图像由于其优秀的图像特性已成为舰船目标检测的重要数据来源。随着合成孔径雷达的发展,数据量不断增多,传统算法已无法满足实时检测的需求。尽管基于深度学习的检测算法可实现实时检测,但此类算法主要针对光学图像,在SAR图像上检测效果并不理想。并且,深度学习的目标检测算法需要大量标注样本,而SAR图像相较于光学而言数据量少且标注困难。针对以上问题,本文对基于小样本学习的SAR图像舰船目标检测算法进行了研究,文章主要研究内容如下:（1）SAR图像与光学图像的图像性质差别较大,在光学图像上取得较好检测结果的算法在SAR图像上未必能有同样效果。针对SAR图像易受背景杂波干扰,图像可用信息量少、舰船目标尺度小等问题,本文对目标检测算法YOLOv3进行改进,主要包括以下四个方面:1)利用K-means聚类算法重新选取先验框;2)改进残差结构,增强网络提取特征的能力;3)利用卷积分解思想对网络轻量化处理,提高检测速度;4)优化损失函数。实验结果表明,改进后的YOLOv3相较于改进前更适用于SAR图像舰船目标的检测,在满足检测速度的前提下,具有更高的检测精度。（2）改进后的YOLOv3算法取得了更好的检测性能,但这离不开大量标注数据的训练。训练好的模型泛化能力较差,当检测新类别时,仍需标注大量数据。因此,本文引入小样本学习方法,在第三章改进YOLOv3的特征提取网络Darknet-53基础上,添加特征权重调整模块和检测预测模块,构建小样本检测模型。该模型可以从基类中学习元特征,对于新类别仅需的几个标注样本就能完成检测。通过大量实验证明了本文所构建的小样本检测模型优于其他基线,有较好的检测性能和泛化能力。当样本量较少时,其检测准确度仍与大量样本训练后模型的结果相近。此外,本文还对模型的训练方法进行了探究,分析了基类样本数量对检测结果的影响。
曹振翔[4]（2021）在《非均匀海况下雷达舰船目标恒虚警率检测方法研究》文中研究指明雷达在现代信息化战争中起到至关重要的作用,并广泛应用于国防安全领域。而对于雷达舰船目标的检测与识别则是成为了各国争相研究的热点,其中,恒虚警率（Constant False Alarm Rate,CFAR）检测作为一种能根据环境变化来自适应调整阈值的技术,被广泛应用于海面雷达舰船目标的自动检测与追踪。在各国科研人员的不断努力下,众多CFAR检测方法被提出,并在均匀海况下取得了良好的检测效果。然而,这些检测方法在非均匀海况下,如包含强斑点噪声、目标分布密集、强杂波边缘等环境,则很难保持性能的平衡。目前,海面舰船目标检测主要存在两个方面的难点:一是在非均匀海况下对目标进行精确高效的检测比较困难;二是对受到自身的散射特性、环境和雷达设备参数等影响的弱目标的检测存在明显的性能瓶颈。本论文将分别从这两个方面展开研究,并且使用多种雷达实测数据对研究成果进行实验验证和分析。本论文研究的主要内容如下:（1）在深入地研究了雷达舰船目标恒虚警率检测机理的基础上,对传统的各类CFAR检测方法进行实验论证和分析,并针对它们在目标分布密集和强杂波边缘等非均匀海况下检测精度下降的问题,提出了一种基于自适应截断深度的CFAR（CFAR Based on Adaptive Trimming Depth,ATD-CFAR）检测方法。ATD-CFAR能将局部参考窗中的干扰像素点去除,极大地保持了真实海杂波样本。与传统的CFAR相比,该方法能更精确地估计出参数,在实现较低虚警率的同时,极大地提高了非均匀海况下的目标检测精度。（2）由于随着先进的高分辨率合成孔径雷达（Synthetic Aperture Radar,SAR）卫星的陆续发射,可以从图像中获取更多的信息,如舰船目标内部结构中像素点与像素点之间的空间关系。因此,本文设计一种复杂环境下改进的SAR图像双边CFAR（Improved Bilateral CFAR,IB-CFAR）舰船目标检测方法。IB-CFAR能在不改变实际海况基本分布的基础上,最大程度地提升舰船目标与周围杂波之间的对比度信息,在进一步提升非均匀海况下的舰船目标检测率的同时,对舰船的结构信息进行精细化描述。并且,该方法能够较好地提升弱目标内部的像素点间的相似度信息,使得各类弱目标能在复杂环境下被很好地检测出来。（3）本文设计了一套非均匀海况下的雷达舰船目标恒虚警率检测系统,本系统提供了SAR图像选择、SAR图像预处理、检测性能指标、航线规划、流量监控、数据显示和图像显示等一系列相关功能,可以较为完整的实现非均匀海况下的雷达舰船目标检测。
赵娟萍[5]（2020）在《SAR图像目标/地物精细化解译方法研究》文中提出合成孔径雷达（Synthetic Aperture Radar,SAR）由于具有全天时全天候对地观测能力、较强的穿透能力,以及极化信息获取能力,在军事和民用领域中均得到了广泛的研究与应用。SAR图像解译是通过研究SAR图像中目标和地物的特性与相互作用从图像中获取关键信息的技术。近年来,随着SAR图像数据量的急剧增长和卷积神经网络（Convolutional Neural Networks,CNNs）等机器学习方法的大规模应用,单一的技术或方法已经难以满足SAR图像精细化解译的需求,SAR图像解译方法也呈现出了传统模型与深度网络相结合的发展趋势。本文基于卷积神经网络和高斯过程回归等机器学习方法,分别从目标检测、极化方式、探测波段、地物库构建与质量评估方面开展SAR图像目标与地物精细化解译研究。主要研究内容包括:面向SAR图像舰船目标检测的精细化解译、多种极化方式下SAR图像的物理散射类型提取、多种探测波段下SAR图像的物理散射类型提取,以及SAR图像精细化解译测试库构建与质量评估。本文的创新性研究成果总结如下:（1）本文首先针对SAR图像中靠港/岸等密集排布舰船目标检测困难的问题,采用改进的多尺度卷积神经网络方法,同时实现了SAR图像中远海海域和近港/岸区域舰船目标的高精度检测。其次,针对检测框不够精确、密集排布目标漏检严重,及少量陆地虚警的问题,本文提出了一种结合级联卷积神经网络和频域脉冲余弦变换的方法用于SAR图像舰船目标的精细化提取。该方法通过级联卷积神经网络提取SAR图像中舰船目标的粗略候选区,并在局部自适应范围内采用基于脉冲余弦变换的方法进行目标的精细化提取。在欧空局星载Sentinel-1和我国高分三号数据集上的实验结果显示了本文方法的优越性。（2）为了通过单/双极化SAR图像提取具有物理意义的地物散射类型,并在此基础上探索多种不同极化方式下SAR图像对雷达物理散射特性的可解释性,本文提出了一种复数域对比约束卷积神经网络方法。本文所研究的物理散射类型主要聚焦在多次散射、体散射和表面散射上,模型训练真值依赖Cloude极化目标分解方法自动获取。复数域对比约束卷积神经网络方法能够在对比约束损失函数的监督训练下,直接从原始复散射矩阵中学习图像中的物理散射类型。该方法能够实现多种极化方式下SAR图像的地物物理散射类型提取,因而能够从极化方式的角度精细化解译雷达物理散射特性。本文方法通过德国宇航中心提供的多景L波段高分辨率F-SAR影像验证了其有效性和泛化性能。（3）针对多种探测波段下SAR图像中物理散射类型难以有效提取的难题,本文通过基于高斯过程回归的方法首先预测极化熵和极化散射角等参数,最终实现跨雷达探测波段的物理散射类型提取。该方法在高斯假设条件下,首先通过多种探测波段的SAR图像训练基于核函数与平均期望的高斯过程回归模型,所训练的模型能够较为精确地预测极化熵和极化散射角等参数,并给出预测参数的置信范围;进而依据H-α极化分割平面从多个探测波段的SAR图像中提取到具有物理意义的散射类型。本文方法的有效性与泛化性能在X波段Terra SAR-X影像、C波段Sentinel-1影像、L波段F-SAR影像上得到了验证。（4）针对中低分辨率的Sentinel-1影像难以实现地物类别精细化解译的问题,本文在预定义的两级精细化城区类别标注体系基础上,采用地理位置信息作为纽带,通过光学影像辅助标注的方式,构建了一个面向SAR图像地物精细化解译的测试库。该测试库能够提供33,358个城区地物样本,每个样本同时对应了两种不同的极化方式（VH和VV）和四种不同的数据格式（包括原始32位数据、UINT8格式数据、辐射校正图像和伪彩色图）。本文通过基于快速压缩距离的数据流形可视化方法和多种图像分类方法验证了测试库的质量。
刘雪萌[6]（2020）在《基于深度学习的合成孔径雷达图像舰船目标检测》文中进行了进一步梳理目标检测技术是一种识别并定位图像中特定目标的技术,它是图像理解的一个重要环节,一直以来都是国内外学者的研究热点。随着卫星技术的发展,尤其是高分三号等卫星的发射,大量的合成孔径雷达（Synthetic Aperture Radar,SAR）图像可用于动态监测海洋,推动了 SAR图像舰船目标检测任务的发展。不同于自然图像目标检测,SAR图像舰船目标检测具有图像分辨率较低、舰船目标特征多样等多方面特点。现有SAR图像舰船目标检测算法对多源SAR图像进行目标检测时,仍然存在对不同尺寸舰船检测性能不鲁棒、陆地区域虚警率高等问题。另一方面,深度学习技术在计算机视觉领域取得了飞速发展,它能够利用神经网络以数据驱动的方式智能地发掘图像特征,从而出色地完成任务。因此,针对以上问题和挑战,本文采用深度学习技术对SAR图像舰船目标检测展开研究,具体如下。首先,针对现存算法在陆地区域误检率高的问题,本文提出了基于海陆分割的舰船目标检测算法LDSSD（Land detectable SAR ship detector）。该算法基于卷积神经网络设计了两个模块:海陆分割模块和舰船目标检测模块。海陆分割模块用于像素级地识别图像中的陆地区域;舰船目标检测模块用于识别并定位舰船目标。最后,算法融合两个模块的结果,从舰船目标的检测结果中筛除陆地区域的误检目标。其次,在公开的SAR图像舰船目标检测数据集SSDD上的实验结果表明,本文的LDSSD算法可以有效降低陆地区域的误检率,能够适应不同分辨率、不同来源的SAR图像,并且对不同场景下的多尺度舰船目标具有鲁棒性。特别地,为了验证本文提出的基于海陆分割的舰船目标检测算法,本文构建了本领域首个SAR图像海陆分割数据库SLSS（Sea-land segmentation dataset on SAR images）,并将其应用于本文提出的 SAR 图像海陆分割模块的训练。该数据库涵盖了不同分辨率、尺寸、海况、传感器类型等条件下的SAR图像,包含了 1270张图片及其对应的真值,体现了舰船图像的丰富性和多样性,为本领域研究提供了有效的支撑。上述工作在改善SAR图像舰船目标识别精度上进行了有益探索,丰富了舰船目标识别理论,提高了 SAR图像舰船目标识别的实用性。
邱宇[7]（2020）在《高分辨率SAR图像近海岸舰船目标检测与分类研究》文中进行了进一步梳理目前,具有高分辨率SAR成像功能的卫星逐渐增多,这使得高分辨率和超高分辨率的SAR图像数据越来越丰富,依靠SAR卫星全天时、全天候的优势,针对SAR图像的解译研究也逐渐深入。在海洋运输高度发达、海洋周边环境逐步复杂、大型港口建设层出不穷的今天,对海面目标和港口内目标的监视和识别具有强烈的应用需求。对SAR图像的海面目标监测和识别成为了具有重要实际应用意义的研究课题,本文面向高分辨率SAR图像,主要进行了近海岸舰船目标的检测和分类研究,完成了对不同环境下船只的检测工作以及对船只大致类别的区分。文章的主要内容如下:首先,对国内外学者对舰船特性分析、SAR图像舰船目标检测和SAR图像舰船目标分类的研究现状进行了总结,明确了本文的研究方向和研究意义。接下来,本文对SAR图像舰船目标多种特征的提取进行了研究,其中,主要针对Pol SAR图像进行了特征提取的研究。本文还对SAR图像的船海特性进行了详尽的分析,主要研究了SAR图像中舰船目标的特点,针对不同的极化通道,研究了船海特性在不同极化条件下的差异,还对几种比较典型的舰船目标的几何特性进行了分析,为后续舰船目标的目视解译以及舰船目标的特征提取和类别区分奠定了基础。然后,本文在对舰船目标进行了极化特征、纹理特征的提取以及几何特性分析后,重点研究了如何有效利用大量的特征提取结果。本文利用Relief F算法对大量的舰船目标特征进行了衡量,筛选并构建出精简高效的舰船特征空间。利用精简过的特征空间完成了基于Relief F-SVM的舰船目标检测方法,并对单极化高分辨率SAR图像中的舰船进行了检测,还对检测结果结果进行了分析,比较了极化特征的引入对于舰船目标检测效果的提升。最后,在舰船目标检测结果的基础上,本文对检测目标进行了切片处理,构建了包含军船和商船两大类,细分为四个小类的数据集。然后利用深度卷积神经网络VGGNet结合模型迁移方法,完成了对本文构建数据集的分类,并采用传统的多类别SVM分类方法进行了对比实验,最终实现了舰船目标的高精度分类。
范家赫[8]（2020）在《面向SAR舰船检测的深度学习算法轻量化及FPGA加速器设计》文中研究说明我国是一个海洋大国,舰船目标检测对于保卫我国领土主权有着重要意义。合成孔径雷达（SAR）作为一种不受天气状况影响、探测范围大的遥感成像系统,被广泛应用在舰船检测任务中。但SAR图像由于分辨率较低、噪声大并且同一目标在不同角度下的成像结果有较大差异,导致对SAR图像舰船目标进行检测时存在一定难度,在近海及岛礁区域容易出现虚警现象。随着深度学习方法在光学图像的目标检测问题中取得飞速发展,越来越多的研究人员开始对深度学习在SAR图像舰船检测中的应用展开研究。由于深度学习方法计算量大,使用中央处理器（CPU）难以满足实时性要求,而图形处理器（GPU）功耗太大,无法在对功耗有严格要求的SAR成像系统中应用。因此,在低功耗平台下设计一种针对深度学习算法的高效率加速器尤为重要。针对以上问题,本文对深度学习方法在SAR图像舰船检测中的应用进行研究,并结合深度学习方法的算法结构,在现场可编程门阵列（FPGA）平台上进行面向SAR图像舰船检测的硬件加速器设计,具体工作内容如下:1.针对深度学习模型参数量较多的问题,对深度学习模型的不同轻量化方法进行对比分析,并提出了一种混合精度量化方法对模型的网络结构进行轻量化改进,通过对轻量化后的网络结构在模型大小、计算时间、检测效果等方面的性能表现对轻量化方法的有效性进行验证。2.由于深度学习方法需要有大量数据集对模型进行训练才能取得良好的检测效果,因此本文通过分析SAR图像的成像特点,采用目标平移、图像加噪以及姿态合成三种方法对现有的SAR图像舰船数据集进行扩充,并在扩充后的数据集上对深度学习模型的训练和检测结果进行分析验证。3.结合深度学习模型的网络结构,设计基于FPGA的深度学习加速器。本文以ZYNQ Ultra Scale+MPSo C为硬件平台,采用软硬件协同设计方法对加速器进行设计,并使用Roofline性能评估模型对加速器性能进行定量分析并根据分析结果优化加速器结构,从而完成加速器的各部分设计。加速器主要由参数化计算引擎、片上缓存系统以及数据传输引擎三部分构成。参数化计算引擎通过并行计算结构对输入数据进行卷积计算,采用分时复用的方式提高计算并行度并减小资源占用率,同时计算引擎提供参数化接口,使其能够完成对不同卷积层的高效运算;片上缓存系统在数据的输入和输出端均采用双缓存设计,通过乒乓操作的方式对双缓存进行交替读写,从而减小由数据传输产生的时间消耗;数据传输引擎使用双通道直接存储器访问（DMA）控制器实现与外部存储器的高效通信,通过数据分割的方式,进一步提高数据传输效率,并由PCIe总线将加速器的计算结果上传到上位机。最终通过对加速器在检测结果、性能与功耗以及资源使用率三个方面进行对比分析,验证本文所设计加速器的可行性与有效性。
杨航[9]（2020）在《复杂环境下的SAR图像舰船目标检测算法研究》文中认为合成孔径雷达（Synthetic Aperture Radar,SAR）舰船目标检测技术被广泛应用于海洋军事目标跟踪、战场环境侦察、海上战略预警等领域,是现代信息化战争中赢得胜利的重要因素,对于该技术的研究已成为各国军事领域的前沿任务。因此,开展基于SAR图像的舰船目标检测技术的研究具有重要意义。复杂环境,如复杂海况区域、强杂波边缘环境、多目标环境等,传统SAR图像舰船检测方法的检测性能下降,本论文针对这一问题,开展了复杂环境SAR图像舰船检测关键技术研究。主要研究成果如下:（1）本文深入研究了SAR图像舰船检测预处理中的关键组成部分:斑点滤波,针对传统斑点噪声滤波方法存在的斑点噪声抑制与舰船目标边缘纹理保持之间的矛盾,将传统双边滤波器进行改进,提出了一种基于自适应截断统计特性的SAR图像双边滤波去噪算法,使用Terra SAR-X数据验证和评估了算法的性能,结果表明本算法在有效抑制斑点噪声的同时很好地保持了舰船目标的边缘和纹理信息,相比传统SAR图像斑点噪声抑制算法具有更优越的性能。（2）本文深入研究了恒虚警率（Constant False Alarm Rate,CFAR）舰船初筛算法的原理及流程,分析了各类常用的CFAR初筛算法,针对复杂环境下传统舰船CFAR方法初筛率不高的问题,提出了一种基于SAR图像的自适应截断杂波统计的可变性指数CFAR检测方法。该方法可有效提升复杂环境下舰船目标的初筛率,且初筛的虚警率较低。实验中使用高分三号SAR数据和Envisat-ASAR数据证明了该算法的有效性。（3）本文研究分析了各种常用的深度学习算法,并深入研究了基于深度学习的SAR图像舰船鉴别方法,将Faster R-CNN网络应用于SAR图像舰船鉴别。实验结果表明该方法可有效提高复杂环境下的舰船鉴别精度。（4）最后本文将深度学习与CFAR初筛方法动态结合,设计了一套复杂环境SAR图像舰船检测软件系统。并针对该系统的各个模块:预处理、舰船目标初筛、舰船参数提取和舰船目标鉴别,进行了相应功能展示。
王玉[10]（2020）在《联合全卷积和区域提取网络的星载SAR图像舰船目标检测》文中研究指明舰船目标检测广泛应用于海洋权益维护、海上交通安全等民用及军事领域。基于合成孔径雷达（Synthetic Aperture Radar,SAR）全天时全天候观测、高分辨成像的优势,可以获得大量优质的海洋SAR数据,对海域检测提供了丰富的数据支持,因此利用SAR图像来完成舰船目标检测具有重要意义。为了在同时包含海陆信息的SAR图像中实现舰船目标的精确检测,本文主要对GF-3 SAR图像开展了基于深度学习技术的海陆分割及舰船目标检测方法的研究,论文的主要工作如下:针对传统的SAR图像分割方法通常受具体场景影响较大、鲁棒性差的问题,本文着重研究了基于全卷积的GF-3 SAR图像的海陆分割算法。网络以U-net为整体架构,在编码、解码阶段引入残差卷积模块加深网络结构,并重新设计了跳跃连接方式进行改进。此外收集GF-3 SAR大尺寸原始图像,进行数据集扩充及标签制作。利用Otsu方法、基于U-net的分割方法及本文所提分割方法对测试集中图像进行海陆分割,基于深度学习分割方法的准确率、交并比明显优于传统方法,并且本文方法相对于改进前能更好地保留图像中海面及陆地的边缘,所提方法在牺牲少量处理时间的基础上可换取更高的像素准确率及交并比,实现了对海陆更为细致的分割。针对Faster R-CNN检测算法对SAR图像检测效率低下的问题,本文着重研究了用于GF-3 SAR图像舰船目标的检测算法。从特征提取网络、区域生成网络、识别网络及损失函数展开介绍。针对原始高分辨率SAR图像尺寸过大的问题,采用以不同尺度对其含有舰船目标区域进行剪裁的方法,使训练过程中获取更多特征信息,以此获得小尺寸图像并进行数据集扩充,最后以VOC2007格式标准制作舰船目标的数据集。为了实现更为精确的检测,利用K-means聚类数据集中舰船目标的尺寸与长宽比,基于聚类结果改进锚框设计。通过对比分析检测效果,改进算法的精确率与召回率相对原始方法均有所提高。针对大尺寸SAR图像检测召回率低的情况,本文采用了先剪裁成小尺寸图像检测再进行拼接恢复的方法。针对部分小面积的陆地区域及陆地上目标会被误检为舰船,从而使检测虚警率过高的问题,提出联合海陆分割与舰船检测的方法。利用二维高斯函数基于海陆分割结果确立检测框的海面置信值,根据设定的阈值对检测结果进行更正,实现了进一步的检测,提高检测精确率。本文实现了 GF-3 SAR图像的海陆分割、舰船目标检测,但还是存在很多问题有待研究。需进一步优化检测算法提高对小尺寸舰船目标的检测能力,虽然本文算法能够一定程度上提升检测精度,但检测速度还有待提升。此外本文只是在测试阶段采用海陆分割与舰船目标检测的联合算法,模型需要进一步精炼。
二、SAR图像舰船目标检测算法的对比研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、SAR图像舰船目标检测算法的对比研究（论文提纲范文）
（1）基于深度学习的SAR图像舰船目标检测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要内容与创新 |
| 1.4 论文结构安排 |
| 第二章 深度学习基本理论 |
| 2.1 引言 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.3 主流基础网络结构 |
| 2.3.1 VGGNet |
| 2.3.2 InceptionNet |
| 2.4 Faster R-CNN网络模型 |
| 2.4.1 区域建议网络 |
| 2.4.2 网络的损失函数 |
| 2.5 本章小结 |
| 第三章 基于Faster R-CNN的轻量型SAR图像舰船目标检测网络 |
| 3.1 引言 |
| 3.2 主流网络的局限性 |
| 3.3 改进的基础网络 |
| 3.3.1 Inception模块 |
| 3.3.2 特征增强放大模块 |
| 3.3.3 跳级特征链接 |
| 3.4 改进的识别与定位任务网络 |
| 3.4.1 整体网络架构 |
| 3.4.2 基于K-Means算法生成预设框 |
| 3.4.3 基于top-K的 GPU加速 |
| 3.4.4 基于RoIAlign减少量化误差 |
| 3.5 本章小结 |
| 第四章 实验结果与分析 |
| 4.1 引言 |
| 4.2 SSDD数据集 |
| 4.3 评价指标 |
| 4.4 实验结果与分析 |
| 4.4.1 训练与检测结果 |
| 4.4.2 精确率与召回率对比 |
| 4.4.3 检测速度对比 |
| 4.4.4 多尺度目标检测性能分析 |
| 4.4.5 网络整体性能分析 |
| 4.5 本章小结 |
| 第五章 基于实际SAR图像的目标检测方法 |
| 5.1 引言 |
| 5.2 实际SAR图像目标检测的局限性 |
| 5.3 基于实际SAR图像的预处理模型 |
| 5.3.1 图像分割与拼接 |
| 5.3.2 图像识别网络 |
| 5.4 基于实际SAR图像的改进舰船目标检测方法 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻硕期间取得的研究成果 |
（2）基于深度学习的SAR图像舰船目标检测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 论文主要内容 |
| 1.4 本论文的结构安排 |
| 第二章 基于深度学习的目标检测网络 |
| 2.1 引言 |
| 2.2 神经网络模型 |
| 2.2.1 前向传播 |
| 2.2.2 反向传播 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积层 |
| 2.3.2 池化层 |
| 2.3.3 全连接层 |
| 2.4 本章小结 |
| 第三章 基于改进Faster R-CNN的SAR图像目标检测网络 |
| 3.1 引言 |
| 3.2 Faster R-CNN模型 |
| 3.2.1 区域建议网络 |
| 3.2.2 网络损失函数 |
| 3.3 传统Faster R-CNN算法存在的问题 |
| 3.4 基于改进Faster R-CNN的舰船目标检测算法 |
| 3.4.1 基于改进的目标检测网络结构 |
| 3.4.2 特征金字塔网络 |
| 3.4.3 Guided Anchoring-RPN |
| 3.4.4 基于RoIAlign减少量化误差 |
| 3.4.5 双任务机制 |
| 3.5 本章小结 |
| 第四章 目标检测网络对比实验与分析 |
| 4.1 引言 |
| 4.2 SAR-Ship-Dataset数据集 |
| 4.3 评价指标 |
| 4.4 PyTorch简介与模型实现 |
| 4.5 实验结果与分析 |
| 4.5.1 训练过程 |
| 4.5.2 检测效果对比 |
| 4.5.3 检测精度对比 |
| 4.5.4 预测锚框PR曲线对比 |
| 4.5.5 鲁棒性对比 |
| 4.5.6 泛化性能对比 |
| 4.6 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（3）基于小样本学习的SAR图像舰船目标检测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统SAR图像舰船目标检测 |
| 1.2.2 基于深度学习的SAR舰船目标检测 |
| 1.3 论文研究内容和结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.3.3 结构安排 |
| 第2章 SAR图像目标检测与小样本学习 |
| 2.1 SAR成像理论基础 |
| 2.1.1 SAR原理 |
| 2.1.2 SAR成像 |
| 2.1.3 SAR图像特性 |
| 2.2 目标检测理论基础 |
| 2.2.1 卷积神经网络 |
| 2.2.2 常用目标检测算法 |
| 2.3 小样本学习 |
| 2.4 本章小结 |
| 第3章 基于改进YOLOv3的SAR图像舰船目标检测 |
| 3.1 YOLOv3算法的改进 |
| 3.1.1 先验框选取 |
| 3.1.2 残差结构设计 |
| 3.1.3 网络轻量化设计 |
| 3.1.4 损失函数优化 |
| 3.2 实验和结果 |
| 3.2.1 数据集介绍及实验环境配置 |
| 3.2.2 评价指标 |
| 3.2.3 实验及结果分析 |
| 3.3 本章小结 |
| 第4章 基于小样本学习的SAR图像舰船目标检测 |
| 4.1 数据预处理介绍 |
| 4.1.1 MSTAR数据介绍 |
| 4.1.2 数据预处理 |
| 4.2 小样本检测模型 |
| 4.2.1 模型构建 |
| 4.2.2 模型训练 |
| 4.2.3 模型评价 |
| 4.3 实验与结果分析 |
| 4.4 本章小结 |
| 总结与展望 |
| 全文总结 |
| 研究展望 |
| 参考文献 |
| 致谢 |
（4）非均匀海况下雷达舰船目标恒虚警率检测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题的背景与意义 |
| 1.2 雷达舰船目标检测技术的研究动态与发展现状 |
| 1.2.1 SAR图像舰船目标检测的发展现状 |
| 1.2.2 一维雷达信号下舰船目标检测的发展现状 |
| 1.3 论文的思路和结构安排 |
| 第二章 雷达图像预处理 |
| 2.1 引言 |
| 2.2 SAR图像预处理技术 |
| 2.2.1 SAR成像机理 |
| 2.2.2 SAR图像几何校正 |
| 2.2.3 SAR图像海陆分割 |
| 2.3 本章小结 |
| 第三章 基于自适应截断深度的CFAR检测算法 |
| 3.1 引言 |
| 3.2 基于SAR图像的恒虚警率舰船目标检测原理 |
| 3.2.1 恒虚警率检测算法原理描述 |
| 3.2.2 常用的各类CFAR检测算法 |
| 3.3 基于自适应截断深度的CFAR检测原理 |
| 3.3.1 基于固定截断深度的OR-CFAR |
| 3.3.2 基于自适应深度的ATD-CFAR |
| 3.3.3 基于最大似然法的统计参数估计 |
| 3.3.4 ATD-CFAR判决规则 |
| 3.4 实验结果与分析 |
| 3.4.1 实验的参数设置 |
| 3.4.2 实验结果对比与量化分析 |
| 3.5 一维雷达信号下的检测结果 |
| 3.6 本章小结 |
| 第四章 一种非均匀海况下SAR图像双边CFAR舰船目标检测算法 |
| 4.1 引言 |
| 4.2 双边CFAR检测原理 |
| 4.3 IB-CFAR检测算法 |
| 4.3.1 基于非均匀量化法的强度层级划分 |
| 4.3.2 自适应强度-空间域信息融合 |
| 4.3.3 基于杂波截断的参数估计方法 |
| 4.4 实验结果与分析 |
| 4.4.1 参数设置 |
| 4.4.2 各CFAR检测器的实验结果对比 |
| 4.5 本章小结 |
| 第五章 非均匀环境下雷达舰船目标恒虚警率检测系统 |
| 5.1 引言 |
| 5.2 系统设计思路 |
| 5.2.1 系统的功能需求 |
| 5.2.2 系统的体系结构 |
| 5.3 软件使用说明和运行实例 |
| 5.3.1 软件使用说明 |
| 5.3.2 软件运行实例 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文主要内容和创新点 |
| 6.2 后期工作展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（5）SAR图像目标/地物精细化解译方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 SAR图像测试库发展 |
| 1.2.2 SAR图像分类现状 |
| 1.2.3 SAR图像舰船目标检测 |
| 1.2.4 极化SAR图像散射特性 |
| 1.3 研究内容与组织结构 |
| 第二章 SAR与极化SAR基础 |
| 2.1 引言 |
| 2.2 SAR成像基础简介 |
| 2.3 SAR图像特性 |
| 2.3.1 几何畸变 |
| 2.3.2 相干斑噪声 |
| 2.4 雷达极化原理与特性 |
| 2.5 极化SAR图像基本表征 |
| 2.5.1 极化散射矩阵及其向量化表征 |
| 2.5.2 相干矩阵与协方差矩阵 |
| 2.6 本章小结 |
| 第三章 面向SAR图像舰船目标检测的精细化解译 |
| 3.1 引言 |
| 3.2 基于卷积神经网络的目标检测方法概述 |
| 3.2.1 基于区域候选框预测的双网检测算法 |
| 3.2.2 基于检测框回归的单网检测算法 |
| 3.3 基于多尺度卷积神经网络的SAR图像舰船目标检测 |
| 3.3.1 研究动机 |
| 3.3.2 方法详介 |
| 3.3.3 实验结果与分析 |
| 3.4 结合级联网络与脉冲余弦变换的舰船目标精细化提取 |
| 3.4.1 研究动机 |
| 3.4.2 方法详介 |
| 3.4.3 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 多种极化方式下SAR图像的物理散射类型提取 |
| 4.1 引言 |
| 4.2 Cloude极化目标分解 |
| 4.3 基于复数域卷积神经网络的物理散射类型提取 |
| 4.3.1 网络结构 |
| 4.3.2 网络优化的损失函数 |
| 4.3.3 物理散射类型提取 |
| 4.4 实验结果与分析 |
| 4.4.1 实验数据与网络训练真值 |
| 4.4.2 实验设置及性能评价 |
| 4.4.3 多种极化方式下SAR图像的物理散射类型提取 |
| 4.4.4 验证模型的泛化性能 |
| 4.5 本章小结 |
| 第五章 多种探测波段下SAR图像的物理散射类型提取 |
| 5.1 引言 |
| 5.2 高斯过程基本原理及其在遥感图像中的应用 |
| 5.2.1 高斯过程基本原理 |
| 5.2.2 高斯过程在遥感图像中的应用 |
| 5.3 基于高斯过程回归的物理散射类型提取 |
| 5.3.1 数据准备 |
| 5.3.2 方法祥介 |
| 5.4 实验分析 |
| 5.4.1 实验设置 |
| 5.4.2 基于X波段TerraSAR数据的物理散射类型提取 |
| 5.4.3 基于C波段Sentinel-1数据的物理散射类型提取 |
| 5.4.4 验证模型的泛化性能 |
| 5.5 本章小结 |
| 第六章 SAR图像精细化解译测试库构建与质量评估 |
| 6.1 引言 |
| 6.2 OpenSARUrban测试库构建方法 |
| 6.2.1 数据收集与预处理 |
| 6.2.2 精细化类别体系定义 |
| 6.2.3 测试库标注方法 |
| 6.2.4 测试库组织形式 |
| 6.3 OpenSARUrban测试库特性分析与规范化管理 |
| 6.3.1 测试库特性分析 |
| 6.3.2 测试库规范化管理 |
| 6.4 测试库质量评估:数据库流形可视化 |
| 6.5 测试库质量评估:图像分类 |
| 6.5.1 验证算法与实验设置 |
| 6.5.2 测试库分类整体性能评价 |
| 6.6 本章小结 |
| 全文总结 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
| 攻读学位期间参与的项目 |
| 攻读学位期间参加的学科竞赛及获奖情况 |
（6）基于深度学习的合成孔径雷达图像舰船目标检测（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究技术与现状 |
| 1.2.1 传统SAR舰船目标检测方法 |
| 1.2.2 基于深度学习的SAR图像舰船目标检测方法 |
| 1.2.3 研究难点 |
| 1.3 本文贡献及结构 |
| 1.3.1 本文工作 |
| 1.3.2 论文结构 |
| 2 相关理论及算法 |
| 2.1 卷积神经网络 |
| 2.2 基于深度学习的目标检测算法 |
| 2.2.1 Two-stage |
| 2.2.2 One-stage |
| 3 基于海陆分割的SAR图像舰船目标检测算法设计 |
| 3.1 SAR图像目标检测模块算法设计 |
| 3.1.1 特征提取主干网络 |
| 3.1.2 多尺度特征融合网络 |
| 3.1.3 预测网络 |
| 3.1.4 损失函数 |
| 3.2 SAR图像海陆分割模块算法设计 |
| 3.2.1 海陆分割模块功能介绍 |
| 3.2.2 基于循环残差修正的融合模块算法设计 |
| 3.3 融合模块算法设计 |
| 4 LDSSD算法的训练与评估 |
| 4.1 SSDD数据集 |
| 4.2 本文构建的SLSS数据集 |
| 4.3 评测指标 |
| 4.4 实验配置与细节说明 |
| 4.5 LDSSD算法在SSDD数据集上的实验评估 |
| 4.5.1 与现存算法的性能对比 |
| 4.5.2 LDSSD算法性能分析 |
| 4.6 LDSSD算法在高分三号图像上的泛化实验 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（7）高分辨率SAR图像近海岸舰船目标检测与分类研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 海洋及舰船特性研究现状 |
| 1.2.2 SAR图像舰船检测 |
| 1.2.3 SAR图像舰船目标类别识别 |
| 1.2.4 研究现状分析 |
| 1.3 主要研究内容及论文结构 |
| 第2章 SAR图像舰船目标特征分析及提取 |
| 2.1 引言 |
| 2.2 SAR图像船海特征分析 |
| 2.2.1 海洋特性分析 |
| 2.2.2 舰船特性分析 |
| 2.3 SAR图像舰船目标特征提取 |
| 2.3.1 SAR图像纹理特征 |
| 2.3.2 极化SAR图像目标分解 |
| 2.4 本实验数据介绍 |
| 2.5 本章小结 |
| 第3章 基于多特征筛选的舰船目标检测 |
| 3.1 引言 |
| 3.2 舰船特征选择 |
| 3.2.1 特征选择算法的基本理论 |
| 3.2.2 基于Relief-F算法的舰船特征选择 |
| 3.2.3 特征选择结果分析 |
| 3.3 SAR图像舰船目标检测 |
| 3.3.1 极化SAR基于Relief F-SVM的舰船检测 |
| 3.3.2 停泊船只检测 |
| 3.3.3 离岸船只检测 |
| 3.4 舰船检测实验结果分析 |
| 3.5 本章小结 |
| 第4章 基于卷积神经网络的舰船目标分类 |
| 4.1 引言 |
| 4.2 基于卷积神经网络和模型迁移的舰船目标分类 |
| 4.2.1 VGG Net网络模型 |
| 4.2.2 模型迁移 |
| 4.3 基于成对分类方法的舰船目标分类 |
| 4.4 实验数据集制作 |
| 4.4.1 检测结果切片处理 |
| 4.4.2 舰船目标标定 |
| 4.5 舰船分类实验结果及分析 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（8）面向SAR舰船检测的深度学习算法轻量化及FPGA加速器设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 SAR图像舰船检测研究现状 |
| 1.3 深度学习加速平台研究现状 |
| 1.4 论文结构安排 |
| 第二章 深度学习理论与结构分析 |
| 2.1 基于卷积神经网络的深度学习模型 |
| 2.1.1 卷积神经网络的拓扑结构 |
| 2.1.2 卷积神经网络的训练方法 |
| 2.2 基于YOLO的目标检测方法 |
| 2.2.1 YOLO的基本原理 |
| 2.2.2 YOLO算法性能分析 |
| 2.3 本章小结 |
| 第三章 混合精度YOLOv2在SAR舰船检测中的应用研究 |
| 3.1 YOLOv2深度学习模型的轻量化设计研究 |
| 3.1.1 基于二值化卷积神经网络的量化方法 |
| 3.1.2 混合精度的网络结构量化方法 |
| 3.1.3 实验结果与分析 |
| 3.2 基于SAR图像的舰船目标数据集扩充 |
| 3.2.1 SAR图像数据集扩充方法 |
| 3.2.2 实验结果与分析 |
| 3.3 本章小结 |
| 第四章 混合精度YOLOv2算法加速器设计 |
| 4.1 系统开发环境 |
| 4.1.1 硬件平台 |
| 4.1.2 系统开发工具 |
| 4.1.3 软硬件协同设计方法 |
| 4.2 FPGA加速器性能评估模型 |
| 4.3 FPGA加速器整体方案设计 |
| 4.4 参数化计算引擎设计 |
| 4.4.1 计算引擎整体结构设计 |
| 4.4.2 计算结构优化 |
| 4.4.3 访存结构优化 |
| 4.4.4 参数化接口设计 |
| 4.5 片上缓存系统设计 |
| 4.6 数据传输引擎设计 |
| 4.6.1 片外数据传输控制器设计 |
| 4.6.2 上位机数据传输接口设计 |
| 4.7 实验结果与分析 |
| 4.7.1 实验环境搭建 |
| 4.7.2 检测结果分析 |
| 4.7.3 性能与功耗分析 |
| 4.7.4 资源使用率分析 |
| 4.8 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）复杂环境下的SAR图像舰船目标检测算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 SAR图像舰船检测的背景和意义 |
| 1.2 SAR图像舰船检测流程 |
| 1.3 课题的国内外研究现状 |
| 1.4 论文的研究内容和结构安排 |
| 第二章 SAR图像预处理 |
| 2.1 引言 |
| 2.2 SAR图像成像原理 |
| 2.3 SAR图像校正技术 |
| 2.3.1 SAR图像的几何校正 |
| 2.3.2 SAR图像地理编码 |
| 2.4 SAR图像陆地屏蔽 |
| 2.5 SAR图像相干斑噪声抑制 |
| 2.5.1 相干斑噪声模型 |
| 2.5.2 常用相干斑噪声抑制方法 |
| 2.6 基于自适应截断统计特性的SAR图像斑点噪声去噪 |
| 2.6.1 双边滤波原理 |
| 2.6.2 基于自适应截断统计特性的SAR图像斑点噪声去噪原理 |
| 2.6.3 斑点滤波性能评估指标 |
| 2.6.4 实验结果对比分析 |
| 2.7 本章小结 |
| 第三章 基于截断统计可变指数的SAR图像舰船目标CFAR初筛 |
| 3.1 引言 |
| 3.2 基于CFAR的 SAR图像舰船初筛原理 |
| 3.2.1 CFAR算法基本原理 |
| 3.2.2 传统CFAR算法 |
| 3.2.3 复杂环境下的CFAR算法 |
| 3.3 基于TSVI-CFAR的舰船初筛算法 |
| 3.3.1 TSVI-CFAR的截断杂波统计规则 |
| 3.3.2 TSVI-CFAR的原理 |
| 3.3.3 实验结果及分析 |
| 3.4 本章小结 |
| 第四章 基于深度学习的SAR图像舰船目标鉴别 |
| 4.1 引言 |
| 4.2 常用深度学习方法 |
| 4.2.1 卷积神经网络 |
| 4.2.2 R-CNN |
| 4.2.3 Faster R-CNN |
| 4.2.4 VGG-Net |
| 4.2.5 Res-Net |
| 4.3 基于深度学习的SAR图像舰船鉴别 |
| 4.3.1 基于Faster R-CNN的 SAR图像舰船目标鉴别 |
| 4.3.2 实验结果与分析 |
| 4.4 SAR图像舰船检测系统软件开发 |
| 4.4.1 软件系统基本框架 |
| 4.4.2 软件系统总体界面 |
| 4.4.3 软件系统功能模块实现 |
| 4.5 本章小结 |
| 第五章 工作总结及展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（10）联合全卷积和区域提取网络的星载SAR图像舰船目标检测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容和结构安排 |
| 第二章 算法实现基础 |
| 2.1 引言 |
| 2.2 卷积神经网络基本配置 |
| 2.2.1 卷积层 |
| 2.2.2 激活函数层 |
| 2.2.3 池化层 |
| 2.2.4 全连接层 |
| 2.3 实现技巧及训练过程 |
| 2.3.1 训练过程 |
| 2.3.2 训练技巧 |
| 2.4 Keras深度学习框架 |
| 2.5 本章小结 |
| 第三章 基于全卷积的SAR图像海陆分割算法 |
| 3.1 引言 |
| 3.2 SAR图像海陆分割方法 |
| 3.2.1 传统分割方法 |
| 3.2.2 基于全卷积的语义分割方法 |
| 3.3 GF-3 SAR图像海陆分割算法 |
| 3.3.1 分割网络整体架构 |
| 3.3.2 编码模块 |
| 3.3.3 解码模块 |
| 3.3.4 跳跃连接 |
| 3.3.5 网络分割层及损失函数 |
| 3.4 实验准备 |
| 3.4.1 GF-3 SAR图像数据集 |
| 3.4.2 评价指标 |
| 3.4.3 实验环境及参数设置 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 基于区域提取的SAR图像舰船目标检测算法 |
| 4.1 引言 |
| 4.2 基于区域提取的目标检测算法 |
| 4.3 GF-3 SAR图像舰船检测算法 |
| 4.3.1 检测网络整体架构 |
| 4.3.2 特征提取模块 |
| 4.3.3 区域生成网络 |
| 4.3.4 识别网络 |
| 4.3.5 损失函数 |
| 4.4 实验细节 |
| 4.4.1 数据集 |
| 4.4.2 评价指标 |
| 4.4.3 实验环境及参数设置 |
| 4.4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 联合海陆分割结果的精检测算法 |
| 5.1 引言 |
| 5.2 实测SAR图像舰船检测 |
| 5.3 联合海陆分割结果的精检测 |
| 5.4 实验结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 下一步工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、SAR图像舰船目标检测算法的对比研究（论文参考文献）
- [1]基于深度学习的SAR图像舰船目标检测算法研究[D]. 黎一丁. 电子科技大学, 2021(01)
- [2]基于深度学习的SAR图像舰船目标检测算法研究[D]. 苏博茹. 电子科技大学, 2021(01)
- [3]基于小样本学习的SAR图像舰船目标检测研究[D]. 张露. 北京建筑大学, 2021(01)
- [4]非均匀海况下雷达舰船目标恒虚警率检测方法研究[D]. 曹振翔. 合肥工业大学, 2021(02)
- [5]SAR图像目标/地物精细化解译方法研究[D]. 赵娟萍. 上海交通大学, 2020
- [6]基于深度学习的合成孔径雷达图像舰船目标检测[D]. 刘雪萌. 大连理工大学, 2020(02)
- [7]高分辨率SAR图像近海岸舰船目标检测与分类研究[D]. 邱宇. 哈尔滨工业大学, 2020(01)
- [8]面向SAR舰船检测的深度学习算法轻量化及FPGA加速器设计[D]. 范家赫. 西安电子科技大学, 2020(05)
- [9]复杂环境下的SAR图像舰船目标检测算法研究[D]. 杨航. 合肥工业大学, 2020(02)
- [10]联合全卷积和区域提取网络的星载SAR图像舰船目标检测[D]. 王玉. 西安电子科技大学, 2020(05)