一、基于多尺度特征的SAR区域型目标检测方法（论文文献综述）
李永刚,朱卫纲,黄琼男[1]（2021）在《SAR图像目标检测方法综述》文中进行了进一步梳理目标检测是合成孔径雷达（syntheticapertureradar,SAR）图像方面的研究热点,综述SAR图像目标检测的几种方法。通过对传统方法 SAR图像目标检测和基于深度学习的SAR图像目标检测进行梳理总结,从实验方面验证深度学习在复杂背景下SAR图像舰船检测存在的问题,分析目前SAR图像目标检测算法的优势和存在的不足,明确SAR图像目标检测急需解决的问题。
高健康[2]（2021）在《多尺度特征融合的SAR图像舰船无锚框检测研究》文中研究指明合成孔径雷达（Synthetic Aperture Radar,SAR）图像中舰船目标稀疏分布,对现有基于锚框的SAR图像目标检测方法的精度和泛化性有较大影响,提出一种多尺度特征融合的SAR图像舰船无锚框检测方法。首先,考虑到SAR图中舰船尺度的多样性,且大多检测网络对小尺度目标的捕获不够敏感,在特征提取阶段设计上下文信息融合模块,获取到每层特征的上下文信息,并以自底向上的方式融合高低层特征,结合目标所在区域的上下文信息,可以更精细化的提取待检测舰船特征;其次,针对复杂场景中目标预测框的定位准确性不足问题,提出分支交互模块,在检测阶段利用分类分支优化回归分支的检测框,改善目标定位框的精准性,同时将新增的IOU分支作用于分类分支,利用检测框与真值边框的交并比值,提高定位较准检测框的分类置信度,抑制低质量的检测框。在对本文算法进行检测验证时,选用标准的精度指标平均精度和速度指标每秒处理图片帧数（FPS）,实验结果表明:在公开的SSDD和SAR-Ship-Dataset数据集上,本文方法均取得了较好的检测效果,AP分别达到92.56%和88.32%,与其他SAR图舰船检测方法相比,不仅在精度上表现优异,在摒弃与锚框有关的复杂计算后,本文方法的FPS达到28帧/秒,较快的检测速度,对SAR图像舰船实时检测也有一定的现实意义。该论文有图26幅,表7个,参考文献63篇。
宣晨[3]（2021）在《基于深度学习的合成孔径雷达图像目标识别研究》文中研究说明合成孔径雷达（Synthetic Aperture Radar,SAR）图像在服务地球资源探测、区域发展水平评估和国防体系建设等领域扮演着重要的角色。深度学习技术的不断突破为助力高效解译SAR图像奠定了坚实基础,基于深度学习的SAR图像识别研究也进入了发展的快车道。目前,SAR图像自动识别技术面临着训练样本不足、模型结构复杂和鲁棒性不强的问题。针对以上SAR图像识别任务中面临的难点问题,本文以深度学习框架为基础,结合迁移学习、自注意力机制和知识蒸馏技术展开研究。本文相关的主要研究内容概括如下:（1）针对SAR图像背景充斥严重散斑噪声和训练小样本数据的过拟合问题,本文将空洞卷积（Atrous Convolution）和Inception模块相结合设计出基于迁移学习的TAI-SARNet（Transferred Atrous-Inception SAR Network,TAI-SARNet）,该网络能够指数级的扩增感受野,从而助力模型提取具有判别性的特征信息。除此之外,该网络严格控制参数增长,并结合批归一化策略,缓解因模型参数冗余和内部协变量转变问题造成的过度拟合数据现象。最后,本文联合迁移学习的相关方法,对光学领域、非光学领域、联合光学及非光学领域的先验知识迁移到SAR小样本数据集上的识别性能进行探究,并取得了良好的实验结果。（2）针对深度学习模型难以有效提取和利用小样本数据特征信息的问题,本文借鉴特征重用和特征融合的思想,并结合自注意力机制设计了多尺度特征融合卷积神经网络（Convolutional Neural Network,CNN）。首先,通过将高效轻量的Ghost模块与自注意力机制相结合构建自注意力Ghost模块,并用该模块替代传统的卷积操作,有效的提取SAR图像的显着特征。其次,通过构建高效的瓶颈单元进行网络架构,用以获取目标图像不同层次的特征信息。最后,引入通道混洗单元和最大池化层构建多尺度信息支路,促进信息的充分交互。实验结果表明,本文基于自注意力机制构建的多尺度特征融合网络在多种工作条件下采集的MSTAR数据集上取得了满意的识别结果,在自构建的SAR小样本数据集上也表现出良好的鲁棒性能。（3）针对CNN模型结构复杂和参数冗余的相关问题,本文引入知识蒸馏的相关技术对复杂模型重新设计得到精简的简单模型,并对通过教师模型获得的丰富知识进行蒸馏迁移。知识蒸馏突破了基于参数的迁移学习方法对模型结构的限制,通过调控温度参数的方式蒸馏出具有丰富知识的信息,从而进一步提升简单模型在相关任务上的识别性能。实验的相关结果显示,结合知识蒸馏的简单模型依旧具有类似复杂模型的强大学习能力,也有助于提升其在SAR小样本数据上的识别性能。
田雨萌[4]（2021）在《基于层次化深度网络的多尺度遥感图像舰船检测技术》文中指出合成孔径雷达（Synthetic Aperture Radar,SAR）,该系统可以无视天气、气候的影响,24小时对地观测,也可称之为“全天时、全天候”的雷达观测系统。在实际使用中通常搭载在飞机或卫星上,以实现对地观测。该系统被广泛应用于军事和民事领域,在军用方面,可以进行海洋环境监测、海洋国土权益维护等;在民用方面,可以进行港口交通运输管理,也可以进行偷渡等非法行为监测。近些年,各个国家针对SAR图像舰船检测投入了许多人力物力。然而,在大视场SAR遥感图像中,包含多样复杂背景信息,虚警干扰较多;此外,舰船目标在遥感图像中自身也存在显着的尺度差异。本文利用深度学习方法进行SAR遥感图像舰船检测,针对SAR遥感舰船检测中存在的相关难点,提出一种基于层次化深度网络的多尺度遥感图像舰船检测技术,主要研究工作和成果如下:本文针对SAR遥感图像视场大,舰船只存在于海洋区域,舰船自动检测时陆地场景信息冗余,容易产生虚警干扰的特点。首先进行海洋陆地位置信息的提取,在检测阶段利用已提取的位置信息引导虚警剔除。基于以上本文提出一种基于深度可分离卷积海陆场景信息提取方法,通过替换Deeplab V3+中标准卷积为深度可分离卷积,预先将SAR图像进行海陆场景信息提取。本文针对SAR遥感图像中舰船尺度差异较大的特点,提出一种基于递归特征金字塔多尺度舰船检测方法。基于Efficient Net,通过复合缩放的方式,获得平衡网络深度、宽度、分辨率三个参数的数值,以此获得较优检测模型。针对SAR图像舰船多尺度特点,特征融合模块引入了递归特征金字塔,增强网络特征表征能力,提升舰船检测精准率。本文针对舰船停靠特点:舰船停靠沿港口位置方向各异,并且可能出现舰船密集排列情况。对于靠港舰船水平框描述,容易包含港口陆地冗余信息;在舰船密集区域使用水平框回归定位,容易造成回归框重叠,导致漏检。基于上述一系列水平框检测靠港舰船的问题,本文提出了一种精修旋转框回归方法。该方法首先加入角度信息以获得旋转框,基于旋转框,利用特征精炼模块（FRM）,通过双线性插值方法,解决重叠框和回归框描述不准确问题。
卢俊言[5]（2021）在《基于智能解译的高分辨率遥感影像几何定位精度提升方法研究》文中研究指明近年来随着全球遥感卫星产业的蓬勃发展,人类的对地观测能力达到了空前水平,卫星硬件技术的不断突破使得遥感数据的空间分辨率、时间分辨率乃至光谱分辨率日益提升,高分辨率遥感影像在社会经济建设中起到了不可替代的作用。遥感影像的几何定位精度是其质量评价的重要指标,配准技术是提升几何定位精度的重要方法。然而不同于自然影像,高分辨率遥感影像具有数据多源异构,覆盖范围极广,内容极其复杂等特性,导致传统的基于特征的配准方法对其失效或失准。本文设计了多个针对高分辨率遥感影像的配准框架,通过智能解译技术降低影像复杂度并为配准任务提供先验知识,从而提升配准方法的适用性、精度和效率,进而实现高分辨率遥感影像的几何定位精度提升。当前深度学习和卷积神经网络技术因其强大的学习数据集本质特征的能力,而在计算机视觉的很多研究领域取得了最前沿的成果;本文基于深度学习技术提出了多个卷积神经网络模型以实现遥感影像的智能解译,这些工作独立应用于遥感大数据挖掘以及遥感卫星服务能力转化也具有较强的意义和价值。本文具体的研究内容如下:针对感测影像定位精度差而导致的配准输入不匹配问题,本文提出了一种基于目标检测的自动配准框架,适用于以城市场景为主的高分辨率遥感影像。由于旋转目标检测能够提供更准确的目标位置信息,该框架首先设计了一个单阶无锚点的旋转目标检测算法用于遥感影像智能解译,其主要创新点包括:第一,提出了一种新颖的圆形切割水平矩形的旋转目标表示法,该方法能够确保回归参数不超出定义域,并避免了矩形框顶点的排序,从而解决了当前主流旋转目标表示法存在的边界问题和顺序问题,并提高了对于预测误差的鲁棒性;第二,基于该表示法可以几乎无成本地将任意水平目标检测方法转换为旋转目标检测,而仅在输出端增加极少量的回归参数,保证了网络的轻量性。随后,该框架设计了不依赖于地理空间信息的目标区域匹配流程,包括目标类型的选择,基于旋转目标检测结果的目标匹配策略,以及用于配准的输入影像块对生成。最后,该框架采用基于特征的配准方法获得全局同名点对并计算仿射变换矩阵。上述旋转目标检测算法在多个航空影像和场景文本检测数据集中取得了优于前沿方法的准确率和检测速度;上述配准方法在测试数据中获得了可与前沿方法相比较的配准精度,同时极大降低了运算开销并提升了配准效率。针对基于特征的配准方法在某些遥感场景中不适用的问题,本文提出了一种基于语义分割的高分辨率遥感影像自动配准框架。首先,该框架设计了一个多尺度残差融合与跳跃级联的语义分割算法用于遥感影像智能解译,该算法通过多尺度残差融合的编码解码单元提升了特征提取和恢复效果;通过多尺度跳跃级联的编码解码结构实现了信息流的充分利用,缩小了编码器与解码器之间的语义鸿沟,为不同阶段的特征图设置了不同的区分度,同时大幅度降低了各阶段特征图的通道数以实现模型的轻量性并提升运算效率;通过融合基于点渲染的迭代上采样策略有效提升了语义分割结果的边界精细度。随后,该框架基于语义分割结果设计了相应的配准流程,有效规避了特征描述算子的局限性并减少了配准工作量。上述语义分割算法在多个数据集上与前沿方法进行了对比实验,在多项精度评价指标中取得了最优,在轻量性和效率上也名列前茅;该配准方法在与前沿方法的对比实验中,配准精度取得了最优或次优,同时效率具有绝对的优势。针对感测影像定位精度差和某些地物降低配准精度的问题,以及基于目标检测和语义分割配准框架的局限性,本文提出了一种基于实例分割的高分辨率遥感影像自动配准框架。首先,该框架设计了一个单阶细粒度的实例分割算法用于遥感影像智能解译,该算法将高分辨率的特征表示,双向加权特征融合的注意力机制,单阶段的实例分割策略,以及边界精修的分割后处理融合为端到端的模型,旨在获取精细边界的实例分割结果。而后,本框架基于图像的不变矩设计了实例匹配策略以获取特征点对,并设计了交叉验证策略以获取全局同名点对,最终实现影像配准。上述实例分割算法在多个数据集上与前沿方法进行了对比实验,在多项精度评价指标中取得了最优,尤其在分割边界的准确性上具有绝对优势;该配准框架在与前沿方法的对比实验中取得了最优的配准精度,同时配准效率具有压倒性的优势。
马广阔[6]（2021）在《遥感图像桥梁目标检测方法研究》文中研究指明21世纪,随着人工智能（AI）技术的快速发展,遥感图像中的地物目标快速自动识别逐渐成为当下的研究热点和重点。随着航空遥感技术的飞速发展而出现的光学遥感图像数量的爆发式增长,给使用深度学习的方法进行遥感图像下的目标检测任务提供了必要的数据支持。桥梁作为光学遥感图像下的典型地物目标,不论是在军事领域还是民生领域都有着极其重要的地位。本文以大场景光学遥感图像下桥梁目标的自动检测与识别为研究背景,针对特征提取、道路检测、旋转目标的识别与修正、小目标检测等问题进行了研究。根据遥感图像复杂场景下的桥梁目标特点——数量繁多且尺度变化较大、目标较小且方向多变,本文借助于卷积神经网络（CNN）强大的特征提取能力,构建了基于深度学习的遥感图像桥梁目标的自动识别与定位方法。论文的主要研究内容如下:（1）复杂场景下的光学遥感图像,由于其特殊的拍摄角度,图像尺寸大,其包含的地物目标不但尺寸过于小,而且不同目标或相同目标之间具有多变的尺度特征。本文引入了新的光学遥感图像分割方法,多尺度特征提取和新的anchor预设候选框,提出了改进型的Faster R-CNN目标检测算法模型。实验结果显示,优化后的算法模型能够对光学遥感图像下的地物目标实现有效检测。（2）基于以上改进型的Faster R-CNN光学遥感图像典型地物目标检测算法,本文对待检测目标的多尺度效应问题进行了研究,通过对常规自然图像尺度划分标准的分析,提出一种新的适合于光学遥感图像下大中小尺度目标的划分标准。（3）在以上遥感图像典型地物目标检测算法的基础上,实现桥梁单目标检测,且引入更适合于桥梁目标的新纵横比,最高实现1.5%的检测精度提升。此外,通过对数据集的观察分析和依据先验性知识的逻辑推断,在一般情况下,出现道路是出现桥梁的必要条件。因此本文首先利用Sobel和Canny边缘检测算子对数据集进行道路边缘检测,突出完整的道路特征,然后与原数据集融合,抑制其他噪声干扰,最后再使用桥梁单目标检测模型进行训练检测。实验结果显示,使用两种边缘检测算子分别可以获得最高1.05%和0.22%的精度提升。
谷丰[7]（2021）在《基于深度学习的SAR图像去噪及弱监督地物分割研究》文中认为合成孔径雷达（Synthetic Aperture Radar,SAR）影像地物分割是SAR影像解译的一个基本环节。传统的地物分割算法存在大量人工干预,复杂度高,在泛化性和时效性上都无法达到要求。近年来,深度学习算法因其强大的特征提取能力在图像分割领域发展迅速。在SAR大数据背景下,深度学习网络模型可以依托海量的标注数据进行权重迭代更新,使得模型输出能够逼近标注结果。深度学习模型的产生是专家知识与经验积累的结果,其推断准确度受限于训练样本库的体量和质量,依赖于劳动密集型的数据标注工作。SAR影像强度信息受相干斑噪声的干扰,同时具有顶底位移、透视收缩等成像特点。特殊的成像机制使得SAR影像样本标注相较于照片或光学遥感影像要复杂得多,难以保证标注的效率和精度。因此,依托SAR大数据进行地物分割任务,需要耗费大量的时间成本来换取准确的全监督像素级地物标签。为解决上述问题,需要降低全监督地物标注的完整程度,改用在地物位置和轮廓信息上均有所损失的弱监督标注方式,如边界框标注,全局类别标注等,这势必会影响地物分割精度。本文既希望借助弱监督标注以大幅减少人工标注成本,又希望弱监督地物分割模型的精度能逼近全监督分割算法。为此,本文在分析SAR图像成像特性的前提下,开展了基于深度学习的SAR图像去噪以及弱监督地物分割研究。其中,前者为弱监督分割提供基础的数据支持,使弱监督分割算法在边界回归上不受噪声影响。后者将具体针对建筑以及船舶两类人造地物展开研究,在超像素聚类算法、概率图模型以及极坐标射线掩膜回归的辅助下得到精确的地物分割掩膜。主要研究内容及创新点如下:1.针对流行去噪方法性能固化的问题,提出基于纹理量化图的深度学习SAR图像去噪方法。在充分分析SAR噪声的空间相干性以及图像局部纹理特性的前提下,提出纹理量化图的概念并设计了一种新颖的二组分深度学习去噪网络。该网络可自动量化纹理特征,并自适应决定局部区域是平滑噪声还是保持细节。利用高分三号超精细条带模式数据进行实验,所提方法获得了29.23的等效视数,0.1183的噪声图均匀性指标以及0.0307的噪声图结构性指标。此外,多源机载和星载SAR数据去噪实验表明所提方法具有较好的泛化性能。与现阶段流行去噪方法相比,所提方法在主观目视评价以及客观指标评价上具备更优异的性能。同时,其为后续弱监督地物分割方法提供有效的数据支持,提升了分割边界的准确性和平滑连续性。2.针对全监督建筑区标注费时的问题,提出基于超像素分割和卷积神经网络（Convolutional Neural Network,CNN）的全极化SAR建筑区弱监督提取方法。该方法首先利用改进简单线性迭代算法自适应决定紧凑度因子以生成贴合地物边界的超像素,然后基于CNN对每个超像素的代表场景进行多尺度特征提取和分类。所提方法在仅依靠图像全局标签的情况下,将基本分割单元从像素上升为超像素,同时充分考虑极化分解特征和像素空间上下文特征,有效提升建筑区提取的效率和精度。基于高分3号全极化条带模式数据进行实验,所提方法的建筑区提取结果达到平均93.25%的总体精度,91.55%的检测率以及7.19%的虚警率。3.针对复杂场景下船舶定位困难的问题,提出一种基于类激活图和条件随机场的船舶弱监督分割算法。受到计算机视觉类激活图注意力机制的启发,着重验证了基于船舶全局标签进行船舶候选区提取的可行性,并深入分析了候选区的多尺度性和弱监督性。同时,引入全连接条件随机场对船舶候选区进行边界回归,形成精细分割掩膜。以高分3号精细条带模式数据作为实验数据,所提方法在多种背景下对船舶目标进行像素级分割,获得了88.54%的船舶检测率,8%的船舶虚警率以及90.412的F1分数。4.针对并排多目标无法进行准确单目标定位的问题,提出基于伪标签与极坐标射线回归的靠泊船舶弱监督分割方法。首先基于3中所提方法对靠泊船舶进行伪标签制作,结合少量全监督标注数据形成训练数据集;然后,把船舶实例分割问题分解为中心回归和射线回归两个子问题;最后构建极坐标下的交并比损失函数和焦点损失函数对网络进行综合训练。所提方法主要基于伪标签进行网络训练,有效解决了样本制作费时费力以及靠泊船舶样本稀少的问题。同时,通过船舶中心回归与掩膜射线回归机制显着提升密集排列船舶的分割能力。利用高分三号超精细条带模式数据进行实验,所提方法获得了90.75%的船舶检测率以及9.24%的虚警率,在对比方法中精度最高。同时对于训练集增广方式的控制变量消融实验表明,在使用了所提训练集扩增方式之后,网络检测率将得到显着提升,且虚警率会有明显下降。
吴佼华[8]（2021）在《基于卷积神经网络的SAR与多光谱图像融合算法研究》文中研究表明近年来,随着各国遥感技术的蓬勃发展,遥感卫星的数目越来越多,其空间、时间和光谱分辨率均大幅度提升,在军事侦察、资源调查、灾害监测等领域发挥着越来越重要的作用。由于单一传感器只能提供有限的信息量,为了充分利用多源传感器的数据,图像融合应运而生,合成孔径雷达（Syntheic Aperture Radar,SAR）图像和多光谱图像融合就是其中一个研究热点。SAR图像与多光谱图像融合的关键在于如何提取SAR图像的空间信息以及如何注入这些信息而不引起融合图像的光谱失真。传统的融合算法由于模型本身的局限性很难在光谱保持和空间细节提升之间达到平衡。为此,本文展开了基于卷积神经网络的SAR与多光谱图像融合算法研究,研究内容主要包括:1、针对SAR图像与多光谱图像的融合结果中存在的颜色失真和空间细节模糊问题,提出了一种基于双分支卷积神经网络的SAR与多光谱图像融合算法。该算法通过设计光谱保持和细节提升双分支网络以及引入特征提取、融合和重建的融合方案,实现SAR与多光谱图像的融合;同时设计光谱损失函数和细节损失函数来控制SAR信息的注入,使得融合结果在光谱保持和空间细节提升两方面得到较好的均衡。2、针对SAR与多光谱图像深层特征中不同空间位置和不同通道维度信息的差异性,提出了一种基于注意力模型的SAR与多光谱图像融合算法。该算法设计空间注意力模型和通道注意力模型分别赋予深层特征中不同空间位置的点和不同通道的特征图以不同的权重值来实现深层特征重新标定,从而使得深层特征更好地融合。论文采用哨兵1号卫星SAR数据和Landsat-8卫星多光谱数据进行实验,并与IHS、Wavelet、IHS＿NSST＿SR、NSCT＿AVG和RSIFNN方法进行比较分析。实验结果表明:与现有的融合算法相比,本文所提算法不论主观评价还是客观评价都有了明显提高,在光谱信息保持和空间细节提升两方面取得良好效果。
魏松杰,张泽栋,徐臻,刘梅林,陈伟[9]（2021）在《基于多尺寸特征叠加的SAR舰船目标检测方法》文中指出针对SAR图像中舰船目标的检测问题,单纯基于深度学习的图像处理技术难以达到检测准确性和实时性要求. SAR图像中目标尺寸较小,且易受噪声、光斑干扰,传统方法难以提取精细特征并克服复杂条件下的背景干扰.针对以上问题,设计基于YOLOv3检测框架的端到端检测模型,借鉴了残差模块结构来避免网络退化问题.同时结合深层与浅层的不同尺寸特征图检测,使用目标基础特征提取网络参数来避免重复训练初始化过程.针对SAR图像中海上舰船成像小目标的特点改进优化了神经网络结构,实现SAR海面广域舰船目标识别分类算法,并对检测模型进行轻量化压缩处理.构建SAR图像舰船目标数据集并进行了多次目标检测识别分类实验,体现了提出的检测方法在复杂场景下有可靠的抗干扰能力和准确的目标检测识别性能.
黎一丁[10]（2021）在《基于深度学习的SAR图像舰船目标检测算法研究》文中提出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。
二、基于多尺度特征的SAR区域型目标检测方法（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、基于多尺度特征的SAR区域型目标检测方法（论文提纲范文）
（1）SAR图像目标检测方法综述（论文提纲范文）
| 0 引言 |
| 1 SAR图像目标检测方法 |
| 1.1 基于结构特征的目标检测方法 |
| 1.2 基于灰度特征的目标检测方法 |
| 1.3 基于纹理特征目标检测方法 |
| 1.4 基于深度学习的目标检测方法 |
| 2 复杂背景下SAR图像目标检测方法 |
| 2.1 实验数据集 |
| 2.2 实验结果 |
| 3 研究现状分析 |
| 4 下一步展望 |
| 5 结论 |
（2）多尺度特征融合的SAR图像舰船无锚框检测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及分析 |
| 1.3 论文组织结构 |
| 2 相关理论基础 |
| 2.1 SAR图像特征提取的影响因素 |
| 2.2 多尺度特征的提取和融合 |
| 2.3 端到端的目标检测模型 |
| 2.4 本章小结 |
| 3 多尺度特征融合的SAR图像舰船无锚框检测方法 |
| 3.1 CI-Net无锚框检测模型 |
| 3.2 上下文信息融合 |
| 3.3 分支交互 |
| 3.4 本章小结 |
| 4 实验及结果分析 |
| 4.1 实验数据和实验平台 |
| 4.2 评价指标 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（3）基于深度学习的合成孔径雷达图像目标识别研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统方法的SAR图像识别技术研究现状 |
| 1.2.2 深度学习的SAR图像识别技术研究现状 |
| 1.3 本文主要研究内容与章节安排 |
| 2 相关基础理论 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积运算 |
| 2.1.2 池化运算 |
| 2.2 空洞卷积 |
| 2.3 深度可分离卷积 |
| 2.4 迁移学习概述 |
| 2.5 本章小结 |
| 3 基于深度迁移学习的TAI-SARNet目标识别 |
| 3.1 引言 |
| 3.2 TAI-SARNet网络结构 |
| 3.3 Atrous-Inception模块 |
| 3.4 网络优化策略 |
| 3.4.1 RMSProp优化算法 |
| 3.4.2 批归一化策略 |
| 3.5 多源域迁移学习 |
| 3.6 实验结果与分析 |
| 3.6.1 数据集描述 |
| 3.6.2 实验环境及训练策略介绍 |
| 3.6.3 网络结构设置性能分析 |
| 3.6.4 整体性能分析 |
| 3.6.5 基于小样本数据集的迁移学习性能分析 |
| 3.6.6 性能对比分析 |
| 3.7 本章小结 |
| 4 面向小样本SAR图像识别的自注意力多尺度特征融合网络 |
| 4.1 引言 |
| 4.2 自注意力多尺度特征融合网络 |
| 4.3 自注意力Ghost模块 |
| 4.3.1 自注意力机制 |
| 4.3.2 改进的Ghost模块 |
| 4.4 瓶颈单元 |
| 4.5 实验结果与分析 |
| 4.5.1 数据集配置 |
| 4.5.2 实验环境及参数配置 |
| 4.5.3 网络结构设置性能分析 |
| 4.5.4 SOC配置的性能分析 |
| 4.5.5 EOC配置的性能分析 |
| 4.5.6 基于SAR小样本数据的实验分析 |
| 4.6 本章小结 |
| 5 结合知识蒸馏的SAR图像分类预测 |
| 5.1 引言 |
| 5.2 知识蒸馏 |
| 5.3 学生网络构建 |
| 5.4 实验结果与分析 |
| 5.4.1 知识蒸馏在SOC和 EOC配置下的性能分析 |
| 5.4.2 知识蒸馏在SAR小样本数据下的实验分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
（4）基于层次化深度网络的多尺度遥感图像舰船检测技术（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究方法 |
| 1.2.1 遥感图像分割技术国内外研究现状 |
| 1.2.2 遥感图像目标检测方法国内外研究现状 |
| 1.2.3 研究现状小结 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第二章 遥感图像目标检测算法介绍 |
| 2.1 引言 |
| 2.2 基于SAR遥感图像舰船检测 |
| 2.3 卷积神经网络 |
| 2.4 本章小结 |
| 第三章 基于深度可分离卷积海陆场景信息提取方法 |
| 3.1 引言 |
| 3.2 海陆场景信息提取架构 |
| 3.3 基于Deep Labv3+海陆信息提取 |
| 3.3.1 深度可分离卷积 |
| 3.3.2 空洞卷积 |
| 3.3.3 基于并行空洞卷积的空间金字塔池化 |
| 3.3.4 编码器-解码器 |
| 3.4 实验与结果分析 |
| 3.4.1 实验数据集 |
| 3.4.2 海陆场景信息提取结果分析 |
| 3.5 本章小结 |
| 第四章 基于递归特征金字塔多尺度舰船检测方法 |
| 4.1 引言 |
| 4.2 基于Efficient Net检测阶段 |
| 4.2.1 Efficient Net-B0 网络结构 |
| 4.2.2 MBConv模块 |
| 4.2.3 多尺度特征融合检测模块 |
| 4.3 精修旋转框回归方法 |
| 4.3.1 特征精炼模块 |
| 4.3.2 焦点损失 |
| 4.4 实验与结果分析 |
| 4.4.1 实验数据集 |
| 4.4.2 舰船检测结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（5）基于智能解译的高分辨率遥感影像几何定位精度提升方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于深度学习的图像解译方法 |
| 1.2.2 基于特征的遥感影像配准方法 |
| 1.3 基于特征的配准方法应用于大尺寸高分辨率遥感影像的难点 |
| 1.4 本文的研究内容与组织结构 |
| 第2章 基于目标检测的高分辨率遥感影像配准方法 |
| 2.1 引言 |
| 2.2 高分辨率遥感影像的单阶无锚点的旋转目标检测算法 |
| 2.2.1 CCH旋转目标表示法 |
| 2.2.2 单阶无锚点旋转目标检测网络 |
| 2.3 基于目标检测的配准框架 |
| 2.4 实验与分析 |
| 2.4.1 旋转目标检测算法实验与分析 |
| 2.4.2 基于目标检测的配准实验与分析 |
| 2.5 本章小结 |
| 第3章 基于语义分割的高分辨率遥感影像配准方法 |
| 3.1 引言 |
| 3.2 高分辨率遥感影像的多尺度残差融合与跳跃级联语义分割算法 |
| 3.2.1 多尺度跳跃级联的编码-解码结构 |
| 3.2.2 多尺度残差融合的编码块与解码块 |
| 3.2.3 基于点渲染的上采样精修 |
| 3.3 基于语义分割的配准框架 |
| 3.4 实验与分析 |
| 3.4.1 语义分割算法实验与分析 |
| 3.4.2 基于语义分割的配准实验与分析 |
| 3.5 本章小结 |
| 第4章 基于实例分割的高分辨率遥感影像配准方法 |
| 4.1 引言 |
| 4.2 高分辨率遥感影像的单阶细粒度实例分割算法 |
| 4.2.1 高分辨率表征的主干网络 |
| 4.2.2 双向跨尺度加权特征融合的注意力机制 |
| 4.2.3 单阶段的实例分割输出端 |
| 4.2.4 实例分割边界后处理网络 |
| 4.2.5 SSFG的训练与测试过程 |
| 4.3 基于实例分割的配准框架 |
| 4.3.1 实例匹配与对应影像块对生成 |
| 4.3.2 全局同名点生成与影像配准 |
| 4.4 实验与分析 |
| 4.4.1 实例分割算法实验与分析 |
| 4.4.2 基于实例分割的配准实验与分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（6）遥感图像桥梁目标检测方法研究（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 |
| 1.2.1 基于深度学习的目标检测发展现状 |
| 1.2.2 桥梁目标检测算法发展现状 |
| 1.3 论文的主要工作及章节安排 |
| 1.3.1 主要研究工作 |
| 1.3.2 章节安排 |
| 第二章 相关基础理论与可行性分析 |
| 2.1 卷积神经网络基础 |
| 2.1.1 卷积层 |
| 2.1.2 池化层 |
| 2.1.3 全连接层 |
| 2.1.4 激活函数 |
| 2.1.5 损失函数 |
| 2.2 可行性分析 |
| 2.2.1 数据集 |
| 2.2.2 基于深度学习算法的可移植性 |
| 2.2.3 搭载模型的硬件设施 |
| 2.3 本章小结 |
| 第三章 基于深度学习的遥感图像目标检测 |
| 3.1 引言 |
| 3.2 基准目标检测模型框架 |
| 3.2.1 特征提取网络 |
| 3.2.2 区域候选网络 |
| 3.2.3 感兴趣区域池化网络 |
| 3.3 基准目标检测模型优化方案 |
| 3.3.1 数据预处理 |
| 3.3.2 多尺度特征提取 |
| 3.3.3 完善锚框 |
| 3.3.4 感兴趣区域转换 |
| 3.4 实验设置及结果分析 |
| 3.4.1 实验环境及评价指标 |
| 3.4.2 结果分析 |
| 3.5 本章小结 |
| 第四章 遥感图像下的多尺度目标划分 |
| 4.1 引言 |
| 4.2 数据集尺度分布 |
| 4.3 目标尺度划分标准 |
| 4.3.1 常规图像目标划分标准 |
| 4.3.2 遥感图像目标划分标准 |
| 4.4 本章小结 |
| 第五章 基于深度学习的遥感图像桥梁检测 |
| 5.1 引言 |
| 5.2 遥感图像桥梁单目标检测 |
| 5.3 基于道路骨架知识的桥梁检测 |
| 5.3.1 基于Sobel算子的桥梁检测 |
| 5.3.2 基于Canny算子的桥梁检测 |
| 5.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的学术成果 |
| 个人简历 |
（7）基于深度学习的SAR图像去噪及弱监督地物分割研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 深度学习神经网络研究现状 |
| 1.2.2 SAR图像去噪研究现状 |
| 1.2.3 SAR图像地物分割方法研究现状 |
| 1.2.4 现有不足分析 |
| 1.3 研究内容及技术路线 |
| 1.4 论文组织结构 |
| 第2章 卷积神经网络基本组件及训练 |
| 2.1 卷积神经网络组件 |
| 2.2 梯度下降优化算法 |
| 2.3 本章小结 |
| 第3章 基于纹理量化图的深度学习SAR图像相干斑去除 |
| 3.1 SAR图像噪声建模与深度学习去噪范式分析 |
| 3.1.1 SAR图像噪声建模 |
| 3.1.2 深度学习去噪范式 |
| 3.2 噪声去相干 |
| 3.3 SAR图像噪声动态建模与二阶段去噪网络 |
| 3.3.1 基于纹理量化图的噪声动态建模 |
| 3.3.2 二阶段去噪网络 |
| 3.4 实验结果与分析 |
| 3.4.1 实验数据和训练数据设置 |
| 3.4.2 模拟SAR图像去噪实验 |
| 3.4.3 真实SAR图像去噪实验 |
| 3.5 本章小结 |
| 第4章 基于超像素分割和卷积神经网络的全极化SAR建筑区弱监督提取方法 |
| 4.1 基于场景分类的建筑区提取模式 |
| 4.2. 基于卷积神经网络的弱监督建筑区提取框架 |
| 4.2.1 极化分解特征集成 |
| 4.2.2 分类网络结构 |
| 4.2.3 改进简单线性迭代超像素聚类算法 |
| 4.2.4 建筑区提取总流程 |
| 4.3 实验结果与分析 |
| 4.3.1 实验数据 |
| 4.3.2 极化分解特征对建筑区提取的影响 |
| 4.3.3 改进SLIC超像素生成 |
| 4.3.4 训练细节与CNN结构设置 |
| 4.3.5 窗口大小对建筑区提取的影响 |
| 4.3.6 建筑区提取精度评价 |
| 4.3.7 与全监督建筑区提取算法的比较 |
| 4.4 本章小结 |
| 第5章 基于类激活图和条件随机场的船舶弱监督分割算法 |
| 5.1 SAR图像船舶场景切片分类 |
| 5.2 类激活图算法 |
| 5.3 基于条件随机场的类激活图边界细化 |
| 5.3.1 概率图模型 |
| 5.3.2 全连接条件随机场边界细化过程 |
| 5.4 实验数据 |
| 5.5 实验结果与分析 |
| 5.5.1 类激活图生成 |
| 5.5.2 类激活图池化层的选择 |
| 5.5.3 条件随机场边界细化结果分析 |
| 5.5.4 船舶检测精度评价 |
| 5.6 本章小结 |
| 第6章 基于伪标签与极坐标射线回归的靠泊船舶弱监督分割方法 |
| 6.1 基于极坐标射线回归的船舶掩膜回归方法 |
| 6.1.1 多尺度融合特征金字塔 |
| 6.1.2 极坐标掩膜回归方式 |
| 6.1.3 极坐标损失函数设计 |
| 6.2 弱监督靠泊船舶数据集制作方法 |
| 6.3 实验结果与分析 |
| 6.3.1 实验区与实验数据 |
| 6.3.2 网络中间结果 |
| 6.3.3 整景影像检测结果分析 |
| 6.3.4 网络敏感性测试 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（8）基于卷积神经网络的SAR与多光谱图像融合算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状及存在的问题 |
| 1.2.1 融合算法层次分类 |
| 1.2.2 图像融合研究现状 |
| 1.2.3 SAR与多光谱图像融合研究现状 |
| 1.2.4 目前融合算法存在的问题 |
| 1.3 本文主要研究内容和结构安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 本文结构安排 |
| 第二章 SAR与多光谱图像融合算法及评价方法 |
| 2.1 数据介绍及数据预处理 |
| 2.1.1 数据介绍 |
| 2.1.2 图像预处理 |
| 2.2 融合算法介绍 |
| 2.2.1 主成分替换法 |
| 2.2.2 多尺度分析法 |
| 2.2.3 混合类方法 |
| 2.2.4 基于深度学习的方法 |
| 2.3 图像融合质量评价 |
| 2.3.1 客观评价方法 |
| 2.3.2 主观评价方法 |
| 2.4 本章总结 |
| 第三章 基于双分支卷积神经网络的SAR与多光谱图像融合算法 |
| 3.1 研究思路 |
| 3.2 双分支卷积神经网络融合算法 |
| 3.2.1 网络框架 |
| 3.2.2 损失函数 |
| 3.3 实验设计 |
| 3.3.1 实验设置 |
| 3.3.2 对比方法 |
| 3.4 实验结果与分析 |
| 3.4.1 参数λ实验 |
| 3.4.2 特征图可视化 |
| 3.4.3 主观评价 |
| 3.4.4 客观评价 |
| 3.5 本章总结 |
| 第四章 基于注意力模型的SAR与多光谱图像融合算法 |
| 4.1 注意力机制 |
| 4.2 基于注意力模型的融合算法 |
| 4.2.1 注意力模型 |
| 4.2.2 算法实现 |
| 4.2.3 实验设置 |
| 4.3 实验结果和分析 |
| 4.3.1 通道压缩和池化操作实验 |
| 4.3.2 主观评价 |
| 4.3.3 客观评价 |
| 4.4 本章总结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 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 |
（9）基于多尺寸特征叠加的SAR舰船目标检测方法（论文提纲范文）
| 1 模型方法 |
| 1.1 模型设计流程 |
| 1.1.1 残差网络模块 |
| 1.1.2 网络结构 |
| 1.1.3 损失函数设置 |
| 1.2 模型压缩 |
| 1.2.1 权值参数共享 |
| 1.2.2 剪枝 |
| 2 实验结果与分析 |
| 2.1 实验平台与数据集 |
| 2.2 网络训练 |
| 2.3 实验结果评估 |
| 3 结论 |
（10）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 |
四、基于多尺度特征的SAR区域型目标检测方法（论文参考文献）
- [1]SAR图像目标检测方法综述[J]. 李永刚,朱卫纲,黄琼男. 兵工自动化, 2021(12)
- [2]多尺度特征融合的SAR图像舰船无锚框检测研究[D]. 高健康. 辽宁工程技术大学, 2021
- [3]基于深度学习的合成孔径雷达图像目标识别研究[D]. 宣晨. 五邑大学, 2021(12)
- [4]基于层次化深度网络的多尺度遥感图像舰船检测技术[D]. 田雨萌. 北方工业大学, 2021(01)
- [5]基于智能解译的高分辨率遥感影像几何定位精度提升方法研究[D]. 卢俊言. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2021(08)
- [6]遥感图像桥梁目标检测方法研究[D]. 马广阔. 内蒙古工业大学, 2021(01)
- [7]基于深度学习的SAR图像去噪及弱监督地物分割研究[D]. 谷丰. 中国科学院大学(中国科学院空天信息创新研究院), 2021(01)
- [8]基于卷积神经网络的SAR与多光谱图像融合算法研究[D]. 吴佼华. 合肥工业大学, 2021(02)
- [9]基于多尺寸特征叠加的SAR舰船目标检测方法[J]. 魏松杰,张泽栋,徐臻,刘梅林,陈伟. 湖南大学学报(自然科学版), 2021(04)
- [10]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)