本文摘要：摘要：基于深度学习的目标检测算法已成为合成孔径雷达图像目标检测任务的主流。深层网络通常具有大量参数，运行速度不能满足实时要求，难以在资源受限的设备如移动端上部署。考虑到对模型实时性和可移植性的要求，对双阶段目标检测算法快速区域卷积神经网络
摘要：基于深度学习的目标检测算法已成为合成孔径雷达图像目标检测任务的主流。深层网络通常具有大量参数，运行速度不能满足实时要求，难以在资源受限的设备如移动端上部署。考虑到对模型实时性和可移植性的要求，对双阶段目标检测算法快速区域卷积神经网络进行轻量化改进，比较不同改进方法对算法速度与精度的影响。结合合成孔径雷达图像的特点对轻量化模型进行优化，与单阶段目标检测算法单脉冲多盒检测网络进行对比。实验结果表明，改进轻量化模型在保持原有精度水平下，模型占用内存和算法运算量大大减少，可有效满足SAR图像目标检测的实时性要求。
关键词：目标检测;快速卷积神经网络;合成孔径雷达;量化算法;实时性
引言合成孔径雷达[1](SAR)是利用飞行载体的运动将有限尺寸的天线单元等效为一个大孔径虚拟天线，即合成孔径原理，再经过SAR成像算法计算获取的距离向和方位向的目标雷达图像。SAR广泛应用于军事侦察、地形测绘、海洋监测、地质环境勘探等领域。但AR图像在应用上还存在很多问题，由于SAR图像成像特性不同于光学图像，同样的目标信息在光学图像和SAR图像中表现完全不同，使阅读SAR图像变得困难，同时SAR图像受背景环境的复杂性和目标的多变性影响较大，对SAR图像进行信息提取和目标检测也就存在很多难点。
因此，对AR图像检测算法的研究变得极其重要，而且随着SAR成像技术的发展，单幅图像的特征信息数量随分辨率的提高而增加，如何提高图像检测算法的效率和实时性成为AR图像研究的重点。传统SAR图像目标检测算法可分为以下两类：第一是基于统计检测理论的恒虚警率目标检测算法，Sahal等[3]提到了基于贝叶斯理论首次将恒虚警率算法应用于高斯背景杂波统计下的雷达信号检测，Abbadi等[4]提到了进一步将恒虚警率算法扩展应用于正态分布和韦布分布统计下的雷达信号检测，使恒虚警率算法可应用于多种背景杂波统计下的雷达图像。
但基于背景杂波的统计特性并不能适应背景杂波分布复杂、受斑点噪声严重的情况，算法在复杂场景下的检测性能还有待于进一步提升。第二是基于尺寸、纹理、形状等特征的目标检测方法，如扩展分形特征、尺度不变特征变换、稀疏表示等，该方法能有效针对SAR图像特征进行提取，但存在运算量大且效率低的问题。
近年来，随着深度学习理论和计算机技术的发展，目标检测领域逐渐开始利用深度学习来做研究，其算法主要分为两类：一类是由区域卷积神经网络(RCNN)发展而来的两阶段目标检测算法，以快速区域卷积神经网络(asterRCNN)为代表，第二类是以单脉冲多盒检测网络[1(SSD)为代表的单阶段目标检测算法。对比两种检测算法，两阶段目标检测算法虽然精度较高，但需要多次运行分类回归流程，检测实时性较差，而单阶段目标检测算法可一次性进行分类回归，但同时误检率较高。本文针对双阶段目标检测算法检测效率低、模型复杂的问题，选用针对算法缺陷和SAR图像的特点，对FasterRCNN算法进行优化，以降低模型复杂度、提高检测性能。最后与单阶段检测算法SSD进行对比，并通过实验检验优化效果。
1目标检测算法
1.1Faster-RCNN算法原理
RCNN系列[1的目标检测算法有个基本步骤，分别是特征提取、候选区域生成、目标分类和位置回归。
从模型架构可以看出，FasterRCNN相当于RPN与FastRCNN网络的集合。FasterRCNN网络有两种训练方式12，第一类是交替训练方式，训练过程分为个阶段：
1)训练特征提取网络和RPN，得到特征图和区域建议框，权重采用ImageNet预训练模型初始化;2)利用生成的区域建议框训练FastRCNN，得到新的特征图、分类得分以及位置偏移;3)固定特征提取网络，利用第步输出的参数初始化RPN，生成新的区域建议框，最后进行分类回归，微调检测结果。第二类是近似联合训练方式，训练过程分为个阶段：4)训练特征提取网络和RPN，生成共享特征图和区域建议框，权重采用ImageNet预训练模型初始化;)在共享特征图的基础上利用生成的区域建议框进行分类回归;5)将第步的区域建议框和第步的分类得分、位置偏移合并输入FasterRCNN模型联合训练。交替训练方式在RPN训练结束后，会存储所有训练图片的区域建议框，占用了极大的内存空间。而近似联合训练将RPN产生区域建议框直接送入FastRCNN网络，节省了大量内存，在训练过程中只训练一个权重网络，训练速度有可观的提升，而训练精度不变。
1.2SSD算法原理
基于区域建议框和分类回归的目标检测方法中，CN系列算法取得了优异的结果，但是在速度方面离实时要求还相差较远。SSD网络通过均匀地在特征提取网络生成多个尺寸的特征图上进行密集抽样，抽样时可以采用不同尺度和长宽比的目标检测框，然后对不同尺度的目标检测框进行分类与回归，最后经过非极大值抑制来抑制掉一部分重叠的目标检测框，将不同特征图获得的目标检测框结合起来，生成最终的检测结果。整个过程只需要一步，其优势是检测速度快。
2Faster-RCNN算法改进
2.1特征提取网络优化
2.1.1CNN模型
CNN14]是一种包含卷积的深度神经网络，网络结构包括卷积层、池化层、全连接层和激活函数。在CNN中，输入图像可看作由像素组成的矩阵，卷积操作可以看做一个带权重的滤波器即卷积核。对矩阵进行内积计算，不同滤波器会得到不同的输出数据，代表着颜色、轮廓等特征，多个卷积核叠加可组成卷积层，图像经过卷积层可提取不同位置，不同类型的特征向量集。自CNN应用在计算机视觉以来，为了获得更高的准确率，卷积网络的层数逐渐从AlexNet的层增加到ResNet的152层。
网络层次越深，特征的抽象程度就越高，从而神经网络可以完成更多需要高度抽象理解能力的工作。然而神经网络并不是越深越好，网络层次的加深使得网络占用的内存和运行空间增加，会影响网络的运行速度。因此在选择卷积网络时，网络的模型大小和特征提取能力需要综合考量。FasterRCNN网络一般选取VGG16作为其特征提取网络，VGG16网络结构简洁规整，容易修改迁移到其他任务中且网络层数较浅，常作为高层任务的基础网络。但是VGG16网络还是很难满足在有限计算资源平台上做出及时反应的要求。
2.2RPN优化
在区域建议框生成初始阶段，RPN以输入特征图的每个像素点为中心生成个面积和长宽比不同的锚框，后每个框会生成个分类得分和个位置偏移，从而带来大量的计算量，影响运行速度。因此对RPN进行轻量化改进尤为重要。当RPN和改进的轻量型特征提取网络耦合时，会引起网络参数不平衡，增加过度拟合风险。为解决这一问题，本文首先使用深度可分离卷积(DSC)代替RPN的×卷积。
2.3FastRCNN网络优化
FastRCNN网络利用VGG网络的后几层，在特征分类回归前将感兴趣区域池化输出送入两层全连接层，全连接层是将所有神经元参数进行连接计算，全连接层将卷积输出的二维特征图转化成一维的向量，对于×特征图，将生成16个神经元，带来最直观的问题就是参数爆炸与冗余。虽然在全连接前进行了Dropout操作、减少了部分神经元，但同时也丢失大量信息，使网络收敛变慢。参考nception网络，本文采用全局平均池化代替全连接层以融合学到的深度特征。全局平均池化将特征图看为一个整体，在保留前面各个卷积层和池化层提取到的特征信息的同时，还减少了模型中的参数数量，降低了过度拟合的风险。
3改进网络检测实验
3.1实验平台参数
处理器为英特尔i79750H;显卡为NVIDIAGeForceGTX1650Ti，显存为4G;系统为Windows103.2数据集实验数据集选用MSTAR数据集，MSTAR数据集是通过高分辨率的聚束式SAR采集的多种前苏联目标军事车辆的SAR图像合集。本算法数据集中SAR图片大小为224×224像素，共162张，包含10类目标，分别为2S1(自行榴弹炮)、BMP2(步兵战车)、BRDM2(装甲侦察车)、BTR60(装甲运输车)、BTR70(装甲运输车)、D7(推土机)、T62(坦克)、T72(坦克)、ZIL131(货运卡车)、ZSU234(自行高炮)。
数据智能化论文投稿刊物：自动化学报是自动化科学与技术领域的高级学术期刊。杂志是1963年创刊的，在1966年-1978年是停刊状态，1979年才复刊发行，现为大16开本，月刊，每期112页。科学出版社与Elsevier合作出版，国内外公开发行。
4结论
本文针对现有目标检测技术不能兼顾检测精度与速度的问题，对FasterRCNN目标检测算法进行了改进优化。首先使用深度可分离卷积设计特征提取网络，降低了基础模型的参数量和计算量。然后在SAR图像真值目标大小的基础上，对锚框生成尺度进行调整，并改进非极大值抑制算法，提高目标检测的精度。最后，利用全局平均池化代替全连接层进行特征分类，将改进后的FastRCNN算法应用于SAR图像的目标检测任务中，用MSTAR数据集进行训练，并与SSD算法进行对比。经检测验证，改进后FasterRCNN算法的模型体积和模型运算量均优于SD单阶段网络，检测精度也可保持双阶段检测算法的水平，改进FasterRCNN的检测速度从原FasteRCNN算法的0.59张提升为0.13张，验证了本文方法在SAR图像目标检测任务中具有较好的表现。
参考文献(References)
[1]刘燕高分辨率及新模式SAR成像算法研究[D].西安：西安电子科技大学，2012.IUY.ResearchonhighresolutionandewodeSARmaginglgorithm[D].’an：XidianUniversity，2012.(inChinese)
[2]赵明波，何峻，付强.SAR图像FAR检测的快速算法综述[J].自动化学报，2012，38(12):18851895.HAO， Q.OverviewoffastalgorithmsforSARimageCFARdetection[J].JournalofAutomation，2012，38(12):18851895.(inChinese)
【3】SAHAL，SAIDAZ，PUTRAYR，etal.ComparisonofCFARethodsonultipleargetsinealuttersingSPXRadarSimulator//ProceedingsofInternationalSeminaronIntelligentTechnologyandItsApplicationsSurabaya，IndonesiaIEEE，2020
作者：马月红，孔梦瑶
转载请注明来自发表学术论文网：http://www.fbxslw.com/nylw/27592.html
