本文摘要：摘要：基于深度學習的目標檢測算法已成為合成孔徑雷達圖像目標檢測任務的主流。深層網絡通常具有大量參數，運行速度不能滿足實時要求，難以在資源受限的設備如移動端上部署。考慮到對模型實時性和可移植性的要求，對雙階段目標檢測算法快速區域卷積神經網絡
摘要：基于深度學習的目標檢測算法已成為合成孔徑雷達圖像目標檢測任務的主流。深層網絡通常具有大量參數，運行速度不能滿足實時要求，難以在資源受限的設備如移動端上部署。考慮到對模型實時性和可移植性的要求，對雙階段目標檢測算法快速區域卷積神經網絡進行輕量化改進，比較不同改進方法對算法速度與精度的影響。結合合成孔徑雷達圖像的特點對輕量化模型進行優化，與單階段目標檢測算法單脈沖多盒檢測網絡進行對比。實驗結果表明，改進輕量化模型在保持原有精度水平下，模型占用內存和算法運算量大大減少，可有效滿足SAR圖像目標檢測的實時性要求。
關鍵詞：目標檢測;快速卷積神經網絡;合成孔徑雷達;量化算法;實時性
引言合成孔徑雷達[1](SAR)是利用飛行載體的運動將有限尺寸的天線單元等效為一個大孔徑虛擬天線，即合成孔徑原理，再經過SAR成像算法計算獲取的距離向和方位向的目標雷達圖像。SAR廣泛應用于軍事偵察、地形測繪、海洋監測、地質環境勘探等領域。但AR圖像在應用上還存在很多問題，由于SAR圖像成像特性不同于光學圖像，同樣的目標信息在光學圖像和SAR圖像中表現完全不同，使閱讀SAR圖像變得困難，同時SAR圖像受背景環境的復雜性和目標的多變性影響較大，對SAR圖像進行信息提取和目標檢測也就存在很多難點。
因此，對AR圖像檢測算法的研究變得極其重要，而且隨著SAR成像技術的發展，單幅圖像的特征信息數量隨分辨率的提高而增加，如何提高圖像檢測算法的效率和實時性成為AR圖像研究的重點。傳統SAR圖像目標檢測算法可分為以下兩類：第一是基于統計檢測理論的恒虛警率目標檢測算法，Sahal等[3]提到了基于貝葉斯理論首次將恒虛警率算法應用于高斯背景雜波統計下的雷達信號檢測，Abbadi等[4]提到了進一步將恒虛警率算法擴展應用于正態分布和韋布分布統計下的雷達信號檢測，使恒虛警率算法可應用于多種背景雜波統計下的雷達圖像。
但基于背景雜波的統計特性并不能適應背景雜波分布復雜、受斑點噪聲嚴重的情況，算法在復雜場景下的檢測性能還有待于進一步提升。第二是基于尺寸、紋理、形狀等特征的目標檢測方法，如擴展分形特征、尺度不變特征變換、稀疏表示等，該方法能有效針對SAR圖像特征進行提取，但存在運算量大且效率低的問題。
近年來，隨著深度學習理論和計算機技術的發展，目標檢測領域逐漸開始利用深度學習來做研究，其算法主要分為兩類：一類是由區域卷積神經網絡(RCNN)發展而來的兩階段目標檢測算法，以快速區域卷積神經網絡(asterRCNN)為代表，第二類是以單脈沖多盒檢測網絡[1(SSD)為代表的單階段目標檢測算法。對比兩種檢測算法，兩階段目標檢測算法雖然精度較高，但需要多次運行分類回歸流程，檢測實時性較差，而單階段目標檢測算法可一次性進行分類回歸，但同時誤檢率較高。本文針對雙階段目標檢測算法檢測效率低、模型復雜的問題，選用針對算法缺陷和SAR圖像的特點，對FasterRCNN算法進行優化，以降低模型復雜度、提高檢測性能。最后與單階段檢測算法SSD進行對比，并通過實驗檢驗優化效果。
1目標檢測算法
1.1Faster-RCNN算法原理
RCNN系列[1的目標檢測算法有個基本步驟，分別是特征提取、候選區域生成、目標分類和位置回歸。
從模型架構可以看出，FasterRCNN相當于RPN與FastRCNN網絡的集合。FasterRCNN網絡有兩種訓練方式12，第一類是交替訓練方式，訓練過程分為個階段：
1)訓練特征提取網絡和RPN，得到特征圖和區域建議框，權重采用ImageNet預訓練模型初始化;2)利用生成的區域建議框訓練FastRCNN，得到新的特征圖、分類得分以及位置偏移;3)固定特征提取網絡，利用第步輸出的參數初始化RPN，生成新的區域建議框，最后進行分類回歸，微調檢測結果。第二類是近似聯合訓練方式，訓練過程分為個階段：4)訓練特征提取網絡和RPN，生成共享特征圖和區域建議框，權重采用ImageNet預訓練模型初始化;)在共享特征圖的基礎上利用生成的區域建議框進行分類回歸;5)將第步的區域建議框和第步的分類得分、位置偏移合并輸入FasterRCNN模型聯合訓練。交替訓練方式在RPN訓練結束后，會存儲所有訓練圖片的區域建議框，占用了極大的內存空間。而近似聯合訓練將RPN產生區域建議框直接送入FastRCNN網絡，節省了大量內存，在訓練過程中只訓練一個權重網絡，訓練速度有可觀的提升，而訓練精度不變。
1.2SSD算法原理
基于區域建議框和分類回歸的目標檢測方法中，CN系列算法取得了優異的結果，但是在速度方面離實時要求還相差較遠。SSD網絡通過均勻地在特征提取網絡生成多個尺寸的特征圖上進行密集抽樣，抽樣時可以采用不同尺度和長寬比的目標檢測框，然后對不同尺度的目標檢測框進行分類與回歸，最后經過非極大值抑制來抑制掉一部分重疊的目標檢測框，將不同特征圖獲得的目標檢測框結合起來，生成最終的檢測結果。整個過程只需要一步，其優勢是檢測速度快。
2Faster-RCNN算法改進
2.1特征提取網絡優化
2.1.1CNN模型
CNN14]是一種包含卷積的深度神經網絡，網絡結構包括卷積層、池化層、全連接層和激活函數。在CNN中，輸入圖像可看作由像素組成的矩陣，卷積操作可以看做一個帶權重的濾波器即卷積核。對矩陣進行內積計算，不同濾波器會得到不同的輸出數據，代表著顏色、輪廓等特征，多個卷積核疊加可組成卷積層，圖像經過卷積層可提取不同位置，不同類型的特征向量集。自CNN應用在計算機視覺以來，為了獲得更高的準確率，卷積網絡的層數逐漸從AlexNet的層增加到ResNet的152層。
網絡層次越深，特征的抽象程度就越高，從而神經網絡可以完成更多需要高度抽象理解能力的工作。然而神經網絡并不是越深越好，網絡層次的加深使得網絡占用的內存和運行空間增加，會影響網絡的運行速度。因此在選擇卷積網絡時，網絡的模型大小和特征提取能力需要綜合考量。FasterRCNN網絡一般選取VGG16作為其特征提取網絡，VGG16網絡結構簡潔規整，容易修改遷移到其他任務中且網絡層數較淺，常作為高層任務的基礎網絡。但是VGG16網絡還是很難滿足在有限計算資源平臺上做出及時反應的要求。
2.2RPN優化
在區域建議框生成初始階段，RPN以輸入特征圖的每個像素點為中心生成個面積和長寬比不同的錨框，后每個框會生成個分類得分和個位置偏移，從而帶來大量的計算量，影響運行速度。因此對RPN進行輕量化改進尤為重要。當RPN和改進的輕量型特征提取網絡耦合時，會引起網絡參數不平衡，增加過度擬合風險。為解決這一問題，本文首先使用深度可分離卷積(DSC)代替RPN的×卷積。
2.3FastRCNN網絡優化
FastRCNN網絡利用VGG網絡的后幾層，在特征分類回歸前將感興趣區域池化輸出送入兩層全連接層，全連接層是將所有神經元參數進行連接計算，全連接層將卷積輸出的二維特征圖轉化成一維的向量，對于×特征圖，將生成16個神經元，帶來最直觀的問題就是參數爆炸與冗余。雖然在全連接前進行了Dropout操作、減少了部分神經元，但同時也丟失大量信息，使網絡收斂變慢。參考nception網絡，本文采用全局平均池化代替全連接層以融合學到的深度特征。全局平均池化將特征圖看為一個整體，在保留前面各個卷積層和池化層提取到的特征信息的同時，還減少了模型中的參數數量，降低了過度擬合的風險。
3改進網絡檢測實驗
3.1實驗平臺參數
處理器為英特爾i79750H;顯卡為NVIDIAGeForceGTX1650Ti，顯存為4G;系統為Windows103.2數據集實驗數據集選用MSTAR數據集，MSTAR數據集是通過高分辨率的聚束式SAR采集的多種前蘇聯目標軍事車輛的SAR圖像合集。本算法數據集中SAR圖片大小為224×224像素，共162張，包含10類目標，分別為2S1(自行榴彈炮)、BMP2(步兵戰車)、BRDM2(裝甲偵察車)、BTR60(裝甲運輸車)、BTR70(裝甲運輸車)、D7(推土機)、T62(坦克)、T72(坦克)、ZIL131(貨運卡車)、ZSU234(自行高炮)。
數據智能化論文投稿刊物：自動化學報是自動化科學與技術領域的高級學術期刊。雜志是1963年創刊的，在1966年-1978年是停刊狀態，1979年才復刊發行，現為大16開本，月刊，每期112頁。科學出版社與Elsevier合作出版，國內外公開發行。
4結論
本文針對現有目標檢測技術不能兼顧檢測精度與速度的問題，對FasterRCNN目標檢測算法進行了改進優化。首先使用深度可分離卷積設計特征提取網絡，降低了基礎模型的參數量和計算量。然后在SAR圖像真值目標大小的基礎上，對錨框生成尺度進行調整，并改進非極大值抑制算法，提高目標檢測的精度。最后，利用全局平均池化代替全連接層進行特征分類，將改進后的FastRCNN算法應用于SAR圖像的目標檢測任務中，用MSTAR數據集進行訓練，并與SSD算法進行對比。經檢測驗證，改進后FasterRCNN算法的模型體積和模型運算量均優于SD單階段網絡，檢測精度也可保持雙階段檢測算法的水平，改進FasterRCNN的檢測速度從原FasteRCNN算法的0.59張提升為0.13張，驗證了本文方法在SAR圖像目標檢測任務中具有較好的表現。
參考文獻(References)
[1]劉燕高分辨率及新模式SAR成像算法研究[D].西安：西安電子科技大學，2012.IUY.ResearchonhighresolutionandewodeSARmaginglgorithm[D].’an：XidianUniversity，2012.(inChinese)
[2]趙明波，何峻，付強.SAR圖像FAR檢測的快速算法綜述[J].自動化學報，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：馬月紅，孔夢瑤
轉載請注明來自發表學術論文網：http://www.zpfmc.com/nylw/27592.html
