10、基于合成孔径雷达图像的飞机检测中深度神经网络架构比较

基于合成孔径雷达图像的飞机检测中深度神经网络架构比较

1. 数据集

目前，在飞机检测领域，并没有被广泛认可的标准合成孔径雷达（SAR）数据集。为了更一致地评估深度神经网络（DNN）的性能，我们选择了自己的SAR图像数据集。具体操作如下：
1. 数据选取 ：利用了15幅来自高分三号系统、分辨率为1米且包含机场和飞机的大规模SAR图像。
2. 样本标注 ：人工在SAR图像中标记飞机样本，并由SAR解译专家进行确认。同时，保留三幅不同机场的大规模SAR图像用于独立测试，以评估网络性能。
3. 数据集生成 ：通过分解操作自动生成数据集。由于手动标注的图像数量有限，我们使用90度旋转、平移、翻转和镜像等方法进行数据增强。
4. 数据划分 ：最终得到4396个大小为512×512的切片，并将训练集和验证集的比例设置为4:1。

这些SAR图像具有飞机尺寸异质性、复杂的背景信息以及明显的斑点噪声等特点，与光学遥感图像相比，SAR图像数据集更难解释，这给飞机检测带来了特定领域的挑战。

2. 飞机检测面临的挑战与所选网络

从SAR图像中自动检测飞机在各个研究领域都有广泛应用，但面临三大挑战：
- SAR系统的斑点噪声 ：影响图像的清晰度和目标特征的提取。
- 飞机的尺寸和形状异质性 ：不同类型飞机的大小和形状差异大，增加了检测难度。
- 复杂背景的干扰