FCOSR：一种无锚框的SAR图像任意朝向船舶目标检测网络

徐昌贵; 张波; 高建威; 吴樊; 张红; 王超

doi:10.12000/JR21204

FCOSR：一种无锚框的SAR图像任意朝向船舶目标检测网络

DOI: 10.12000/JR21204

徐昌贵^{1, 2},
张波^{1, 2, ,},
高建威³,
吴樊¹,
张红^{1, 2},
王超^{1, 2}

1.
中国科学院空天信息创新研究院北京 100094
2.
中国科学院大学资源与环境学院北京 100049
3.
中国空间技术研究院卫星应用总体部北京 100094

基金项目: 国家自然科学基金(41930110, 41901292)

详细信息

作者简介:
徐昌贵(1997–)，男，中国科学院大学硕士生，研究方向为SAR图像目标检测与识别

张　波(1976–)，男，硕士生导师，中国科学院空天信息创新研究院副研究员，研究方向为SAR大数据处理、雷达目标特性、目标检测与识别等

高建威(1987–)，男，中国空间技术研究院卫星应用总体部工程师，研究方向为遥感大数据处理、高性能计算、高光谱遥感等

吴　樊(1976–)，男，中国科学院空天信息创新研究院副研究员，研究方向为SAR图像处理与信息提取

张　红(1972–)，女，博士生导师，中国科学院空天信息创新研究院研究员，IEEE GRSS北京分会副主席，中国图象图形学学会遥感图像专业委员会委员，主要研究方向为SAR图像智能处理、极化SAR、干涉SAR等

王　超(1963–)，男，博士生导师，中国科学院空天信息创新研究院研究员，中国科学院大学岗位教授，中国图象图形学会常务理事、IEEE GRSS高级会员、《遥感技术与应用》副主编、《中国图象图形学报》副主编，曾任IEEE GRSS Beijing Chapter主席，主要研究方向为InSAR高性能处理、SAR图像智能处理与应用

通讯作者:
张波 zhangbo202140@aircas.ac.cn

责任主编：计科峰 Corresponding Editor: JI Kefeng
中图分类号: TN957.52
计量
- 文章访问数: 2393
- HTML全文浏览量: 1766
- PDF下载量: 215
- 被引次数: 15
出版历程
- 收稿日期: 2021-12-16
- 修回日期: 2022-02-22
- 网络出版日期: 2022-03-24
- 刊出日期: 2022-06-28

FCOSR: An Anchor-free Method for Arbitrary-oriented Ship Detection in SAR Images

XU Changgui^{1, 2},
ZHANG Bo^{1, 2
, ,},
GAO Jianwei³,
WU Fan¹,
ZHANG Hong^{1, 2},
WANG Chao^{1, 2}

1.
Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China
2.
College of Resource and Environment, University of Chinese Academy of Sciences, Beijing 100049, China
3.
Institute of Spacecraft Application System Engineering, CAST, Beijing 100094, China

Funds: The National Natural Science Foundation of China (41930110, 41901292)

More Information

Corresponding author: ZHANG Bo, zhangbo202140@aircas.ac.cn

摘要

摘要: 以FCOS为代表的无锚框网络避免了预设锚框带来的超参设定问题，然而其水平框的输出结果无法指示任意朝向下SAR船舶目标的精确边界和朝向。针对此问题，该文提出了一种名为FCOSR的检测算法。首先在FCOS回归分支中添加角度参量使其输出旋转框结果。其次，引入基于可形变卷积的9点特征参与船舶置信度和边界框残差值的预测来降低陆地虚警并提升边界框回归精度。最后，在训练阶段使用旋转自适应样本选择策略为每个船舶样本分配合适的正样本点，实现网络检测精度的提高。相较于FCOS以及目前已公开发表的锚框旋转检测网络，该网络在SSDD+和HRSID数据集上表现出更快的检测速率和更高的检测精度，mAP分别为91.7%和84.3%，影像切片平均检测时间仅需33 ms。
- 任意朝向船舶检测 /
- 无锚框检测器 /
- 自适应样本选择策略 /
- 单阶段 /
- 合成孔径雷达
Abstract: The anchor-free network represented by a Fully Convolutional One-Stage object detector (FCOS) avoids the hyperparameter setting issue caused by the preset anchor boxes; however, the result of the horizontal bounding boxes cannot indicate the precise boundary and orientation of the arbitrary-oriented ship detection in synthetic-aperture radar images. To solve this problem, this paper proposes a detection algorithm named FCOSR. First, the angle parameter is added to the FCOS regression branch to output the rotatable bounding boxes. Second, 9-point features based on deformable convolution are introduced to predict the ship confidence and the boundary-box residual to reduce the land false alarm and improve the accuracy of the boundary box regression. Finally, in the training stage, the rotatable adaptive sample selection strategy is used to allocate appropriate positive sample points to the real ship to improve the network detection accuracy. Compared to the FCOS and currently published anchor-based rotatable detection networks, the proposed network exhibited faster detection speed and higher detection accuracy on the SSDD+ and HRSID datasets with the mAPs of 91.7% and 84.3%, respectively. The average detection time of image slices was only 33 ms.
- Arbitrary-oriented ship detection /
- Anchor-free detector /
- Adaptive sample selection strategy /
- Single stage /
- Synthetic Aperture Radar (SAR)

HTML全文

1. 引言

森林高度是估算森林蓄积量及生物量的重要基础数据，对于研究森林资源状况以及分析全球生态环境、气候变化具有重要意义。极化合成孔径雷达干涉测量技术(Polarimetric SAR Interferometry, PolInSAR)采用微波监测模式，其回波信号不仅记录垂直结构及其属性信息，且可以区分同一分辨单元内不同散射体高度的能力，已被视为大范围、高分辨率、高精度反演森林高度的有效手段之一^[1]。

为了实现利用PolInSAR观测量准确地提取森林高度，Thrauhft等人^[2]建立了随机地体二层散射模型(Random Volume over Ground, RVoG)，该模型将森林散射场景抽象为两层，即由随机均匀分布的散射体组成的植被层，以及微波信号不可穿透的地表层。随后，Papathanassiou等人^[3,4]进一步分析PolInSAR复相干性与RVoG模型的关联，建立了利用PolInSAR反演森林高度的框架。实质上，该框架是基于体散射去相干的模型表达来反演森林高度等参数的，并且利用不同PolInSAR数据都获得了较高的反演精度^[5-7]。

由于森林场景具有显著的时变性，具有长时间间隔的星载重轨干涉SAR(如ALOS-1至少为46天，ALOS-2为14天)散射场景内介电常数变化(如降雨)和风动都会产生严重的时间去相干。因此，除了体去相干的影响，时间去相干也是星载重轨极化干涉SAR数据中不可忽略的去相干因素，决定了森林参数反演的精度，甚至是反演成败的关键。为此，Yang等人^[8]在随机移动散射模型(Random Motion over Ground, RMoG)^[9]和体时去相干散射模型 (Volume Temporal Decorrelation, VTD)模型^[10]基础上，提出一种时间去相干半经验森林高度反演方法。该方法结合少量机载LiDAR森林高度数据辅助时间去相干半经验模型解算，利用ALOS-1 PARSAR-1 HV极化相干幅度成功实现了大尺度森林高度反演。

然而，该方法需假设HV极化不包含地表散射回波能量贡献，事实上，L波段SAR信号具有较强的穿透性，尤其当森林高度较低或密度较小时，HV极化方式会记录显著地表回波信号。此外，该方法只适用于单基线干涉数据，尚未考虑多基线条件下，如何充分利用观测几何的多样性提升反演结果的可靠性。因此本文的目的是针对上述反演方法的限制，利用ALOS-2 PARSAR-2多基线PolInSAR数据更为准确地提取森林高度。主要思路如下：首先利用相干最大分离算法(Maximum Coherence Difference, MCD)在极化空间内寻求具有最少地面散射能量贡献的极化方式，以获得更为纯净的森林冠层散射贡献。然后利用该极化方式的相干幅度，在少量森林高度地面调查数据辅助下基于时间去相干半经验模型进行森林高度反演。在此基础之上，结合多基线数据根据PolInSAR相干集在复数平面内的几何表达，甄选最优观测干涉数据的反演结果作为森林高度反演最终结果。

2. 多基线PolInSAR森林高度反演策略

2.1 时间去相干半经验模型

综合顾及垂直方向上散射体分布产生的体去相干、散射场景内介电特性改变和植被风动引起的时间去相干同时占主导地位，星载重轨PolInSAR复相干系数一般形式表示为^[8]

$\gamma (\omega ) = {{\rm e}^{i{\varphi _0}}} \cdot \frac{{\gamma _d^{\rm v} \cdot {\gamma _{{\rm{v/m}}}} + \gamma _d^{\rm g} \cdot \mu (\omega )}}{{1{\rm{ + }}\mu (\omega )}}$

(1)

式中， ${\varphi _0}$ 为地表相位； $\gamma _d^{\rm v}$ 和 $\gamma _d^{\rm g}$ 分别表示植被体层和地面层介电特性改变引起的时间去相干复因子； $\mu (\omega )$ 为地体幅度比，与极化方式有关； ${\gamma _{{\rm{v/m}}}}$ 为体散射去相干和时间去相干(植被风动引起)产生的耦合去相干

${\gamma _{\rm v/m}} = \frac{{\displaystyle\int_0^h {\exp \left[ - \dfrac{1}{2}{{\left(\dfrac{{4\pi }}{\lambda }\right)}^2}\sigma _r^2(z)\right] \!\cdot\! f(z) \cdot \exp (i{k_z}z){\rm{d}}z} }}{{\displaystyle\int_0^h {f(z){\rm{d}}z} }}$

(2)

其中， $h$ 表示森林高度； $f\left( z \right)$ 为指数形式的垂直结构函数，描述垂直方向 $z$ 上散射体的分布； ${\sigma _r}(z)$ 为散射体沿雷达视线方向的随机运动标准差，假定与森林高度呈线性关系

${\sigma _r}(z) = \frac{{{\sigma _r}}}{{{h_r}}}z$

(3)

式中， ${\sigma _r}$ 表示在参考高度 ${h_r}$ (根据先验信息一般设为15 m^[8,9])处的运动标准差。

为了解决上述模型过参数化问题，Yang等人^[8]对散射场景做如下假设：(1) 散射场景内时间去相干与消光系数在空间上具有一致性；(2) HV极化方式具有较小地面散射能量贡献，可假定其地体幅度比 ${\mu _{\min }}{\rm{ = 0}}$ ，此时对于该极化方式可忽略地面层介电常数改变引起的时间去相干；(3) 假定干涉场景为零空间基线理想情况(忽略森林垂直结构引起的体散射去相干)，即垂直有效波束 ${k_z} = 0$ ，此时对于式(2)适用积分第一中值定理(即对于在给定区间 $[a,b]$ 有连续函数 $f(x)$ 和同号可积函数 $g(x)$ ，区间内存在一点 $\varepsilon$ 满足 $\displaystyle\int_a^b {f(x)} g(x){\rm{d}}x = f(\varepsilon )\displaystyle\int_a^b {g(x)} {\rm{d}}x$ 。因此在上述假定条件下，式(1)可简化为时间去相干半经验模型^[8,11]

$\begin{split} \gamma =\,& {S_{{\rm{scene}}}} \cdot \exp \left[ - \frac{1}{2}{\left(\frac{{4\pi {\sigma _r}\alpha }}{{\lambda {h_r}}}\right)^2}{h^2}\right] \\ \approx\,& {S_{{\rm{scene}}}} \cdot {\rm{sinc}}\left(\frac{h}{{{C_{{\rm{scene}}}}}}\right) \end{split}$

(4)

其中， $\alpha$ 为中值 $\varepsilon$ 关于森林高度的比例因子，即 $\varepsilon = \alpha h$ ( $0 \le \alpha \le 1$ ); ${S_{{\rm{scene}}}}$ , ${C_{{\rm{scene}}}}$ 分别与植被体层介电特性改变和风动引起的时间去相干有关

${S_{{\rm{scene}}}} = \left| {\gamma _d^{\rm v}} \right|;\ {C_{{\rm{scene}}}} = \frac{{\lambda {h_r}}}{{2{\pi ^2}{\sigma _r}\alpha }}$

(5)

2.2 MCD相干优化算法

已有方法主要选用对森林冠层较为敏感的HV极化方式进行模型求解，但是ALOS-2 PALSAR-2发射具有较强穿透能力的L波段电磁波，HV极化方式回波信号中同样会记录显著地表回波信号。鉴于此，本文利用ALOS-2 PALSAR-2全极化数据结合极化相干最优理论，尽可能抑制地表回波信号的干扰。具体方法如下：

在主辅极化SAR影像散射机制相同的情况下，极化干涉SAR的复相干系数表示为^[12]

$\gamma = \frac{{\left\langle {{{{\omega}} ^{\rm{H}}}{{{\varOmega}} _{{\rm{12}}}}{{\omega}} } \right\rangle }}{{\sqrt {\left\langle {{{{\omega}} ^{\rm{H}}}{{{T}}_{{\rm{11}}}}{{\omega}} } \right\rangle \left\langle {{{{\omega}} ^{\rm{H}}}{{{T}}_{22}}{{\omega}} } \right\rangle } }}$

(6)

式中，自相关矩阵 ${{{T}}_{{\rm{11}}}}$ 和 ${{{T}}_{22}}$ 都是标准Hermitian相干矩阵，分别描述主辅影像的极化特性， ${{{\varOmega}} _{12}}$ 为互相关矩阵，不仅包含极化信息，还包含了主副影像不同极化通道间的干涉相位关系。 ${{\omega}}$ 为归一化复投影矢量，通过转换 ${{\omega}}$ 可以计算极化空间内任意极化基下对应散射机制的复相干系数，组成相干集。该复相干系数集合形成的区域边界范围可以看作将相干复平面旋转任意角度，得到的实部最大和最小相干系数^[13]

$\left. \begin{aligned} & {{\rm{Re}} (\gamma {{\rm e}^{i\phi }}) = \frac{{{{{\omega}} ^{\rm{H}}}{{A}}{{\omega}} }}{{{{{\omega}} ^{\rm H}}{{T}}{{\omega}} }}} \\ & {{{A}} = \frac{{{{\rm e}^{i\phi }}{{{\varOmega}} _{12}} + {{\rm e}^{ - i\phi }}{{\varOmega}} _{12}^{\rm{H}}}}{2},{{T}} = \frac{{{{{T}}_{11}} + {{{T}}_{22}}}}{2}} \end{aligned} \right\}$

(7)

式中， $\phi$ 为旋转相位，在 $\left[ {0,\pi } \right)$ 范围内等间隔采样角度。式(7)求极值可以转化为求解特征值问题即 ${{A}}{{\omega}} = \lambda {{T}}{{\omega}}$ ，进而得到最大和最小特征值分别对应的特征向量 ${{{\omega}} _1}$ 和 ${{{\omega}} _2}$ ，那么相干区域的一对边界点可以表示为^[14]

${\gamma _1} = \frac{{{{\omega}} _1^{\rm{H}}{{{\varOmega}} _{12}}{{{\omega}} _1}}}{{{{\omega}} _1^{\rm{H}}{{T}}{{{\omega}} _1}}},\ {\gamma _2} = \frac{{{{\omega}} _2^{\rm{H}}{{{\varOmega}} _{12}}{{{\omega}} _2}}}{{{{\omega}} _2^{\rm{H}}{{T}}{{{\omega}} _2}}}$

(8)

相比传统InSAR技术只能获取HH, HV或VV极化方式对应的复相干系数，相干集中包含了特定极化散射机理对应的复相干系数，为寻求极化空间内具有更为纯净森林冠层散射贡献的极化方式提供了可能。相干区域范围示意如图1所示，其中在相干区域成对边界点中距离最远的一对相干系数点 ${\gamma _{\rm{A}}}$ , ${\gamma _{\rm{B}}}$ (也就是相干区域长轴两端点)，可以表征植被层和地表层有效相位中心的最大分离^[15]。根据式(9)进一步确定体散射占优极化方式复相干 $\gamma ({\mu _{\min }})$ 与地表散射占优极化方式的复相干 $\gamma ({\mu _{\max }})$

图 1 不同干涉对相干区域在复平面上的示意图

Figure 1. Coherent regions on the complex plane for different interferometric pairs

下载: 全尺寸图片幻灯片

$\left. \begin{aligned} & {k_z} > 0: \\ & \quad {\rm{if\; arg(}}{\gamma _{\rm{A}}}\gamma _{\rm{B}}^ * {\rm{) > 0 \;then }}\;\gamma ({\mu _{\min }}){\rm{ = }}{\gamma _{\rm{A}}}{\rm{,}}\gamma ({\mu _{\max }}){\rm{ = }}{\gamma _{\rm{B}}} \\ & \quad {\rm{if\; arg(}}{\gamma _{\rm{A}}}\gamma _{\rm{B}}^ * {\rm{) < 0 \; then }}\;\gamma ({\mu _{\min }}){\rm{ = }}{\gamma _{\rm{B}}}{\rm{,}}\gamma ({\mu _{\max }}){\rm{ = }}{\gamma _{\rm{A}}} \\ & {k_z} < 0: \\ & \quad {\rm{if \;arg(}}{\gamma _{\rm{A}}}\gamma _{\rm{B}}^ * {\rm{) < 0 \; then }}\;\gamma ({\mu _{\min }}){\rm{ = }}{\gamma _{\rm{A}}}{\rm{,}}\gamma ({\mu _{\max }}){\rm{ = }}{\gamma _{\rm{B}}} \\ & \quad {\rm{if \;arg(}}{\gamma _{\rm{A}}}\gamma _{\rm{B}}^ * {\rm{) > 0 \; then }}\;\gamma ({\mu _{\min }}){\rm{ = }}{\gamma _{\rm{B}}}{\rm{,}}\gamma ({\mu _{\max }}){\rm{ = }}{\gamma _{\rm{A}}} \end{aligned} \right\}$

(9)

其中， ${\mu _{\min }}$ 表示具有最小地体幅度比的极化方式，对应体散射占优极化方式复相干； ${\mu _{\max }}$ 表示具有最大地体幅度比的极化方式，对应表面散射占优极化方式复相干； ${k_z}$ 为垂直有效波束，取决于成像相对几何关系(垂直基线 ${B_ \bot }$ ，斜距 $R$ ，入射角 $\theta$ 和雷达波长 $\lambda$ )^[16]

${k_z}{\rm{ = }}\frac{{4\pi {B_ \bot }}}{{\lambda R\sin \theta }}$

(10)

2.3 森林高度反演方法

即便简化了模型参数和采用多基线PolInSAR数据增加了观测量，利用传统多维非线性迭代求解时间去相干半经验模型仍存在秩亏问题。因此本文采用一种外部数据辅助反演法^[8]，即先利用小范围真实森林高度数据辅助解算出模型参数 ${S_{{\rm{scene}}}}$ 和 ${C_{{\rm{scene}}}}$ ，然后代入模型中即可得到整个散射场景范围的森林高度结果。模型参数求解具体思路如下：对于给定模型参数初始值，利用训练数据中的 ${\mu _{\min }}$ 极化方式相干幅度结合式(4)可以得到反演森林高度结果 ${h_{{\rm{invert}}}}$ ，它与对应真实森林高度数据 ${h_{{\rm{real}}}}$ 确定的散点图如图2所示。理想情况下，两者数据散点应沿虚线 $y = x$ 分布，但实际上在初始模型参数误差存在情况下，两者散点点阵椭圆主轴与 $y = x$ 并非一致，而是存在一定的偏差。因此通过利用训练数据对其调整来寻求散射场景最佳模型参数。

图 2 反演森林高度与真实森林高度散点点阵椭圆示意图

Figure 2. Scatters ellipse between invert height and real height

下载: 全尺寸图片幻灯片

主成分分析思想^[17]为实现上述思路提供了契机，即通过对训练数据中 ${h_{{\rm{real}}}}$ 与 ${h_{{\rm{invert}}}}$ 这两个二维数据的协方差矩阵进行特征值分解，可以确定该二维数据降维后的主轴(也就是散点点阵椭圆的长轴)斜率 $k$

$\left. \begin{aligned} &{{X}} = \left[ {\begin{array}{*{20}{c}} {{\rm{Var}}({h_{{\rm{real}}}})}&{{\rm{Cov}}({h_{{\rm{real}}}},{h_{{\rm{invert}}}})} \\ {{\rm{Cov}}({h_{{\rm{invert}}}},{h_{{\rm{real}}}})}&{{\rm{Var}}({h_{{\rm{invert}}}})} \end{array}} \right] \\ & \quad = \left[ {\begin{array}{*{20}{c}} {P_{11}}&{P_{12}} \\ {P_{21}}&{P_{22}} \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {\lambda _{1}}\!\!&\!\!0 \\ 0\!\!&\!\!{\lambda _{2}} \end{array}} \right]{\left[ {\begin{array}{*{20}{c}} {P_{11}}\!\!&\!\!{P_{12}} \\ {P_{21}}\!\!&\!\!{P_{22}} \end{array}} \right]^{ - 1}} \\ & k = \frac{{P_{21}}}{{P_{11}}} \end{aligned}\right\} \!\!\!\!$

(11)

其中 $\lambda_1$ 和 $\lambda_2$ 为按降序排列的特征值， $P$ 为特征值对应的特征向量的元素。而点阵椭圆质心与虚线 $y = x$ 的偏差 $b$ 可以表示为

$b = \frac{{M({h_{{\rm{real}}}}) - M({h_{{\rm{invert}}}})}}{{[M({h_{{\rm{real}}}}) + M({h_{{\rm{invert}}}})]/2}}$

(12)

式中，M 表示取平均运算。

散点点阵椭圆主轴确定后，显然可以通过建立使逼近参数 $k$ , $b$ 分别趋近于1, 0的目标函数

${(k - 1)^2} + {(b - 0)^2} = \min$

(13)

该目标函数可以利用高斯-牛顿迭代算法进行非线性最小二乘求解，如式(14)所示

$\left[ {\begin{array}{*{20}{c}} {S_{{\rm{scene}}}^ * } \\ {C_{{\rm{scene}}}^ * } \end{array}} \right] = {({{J}}_0^{\rm T}{{{J}}_0})^{ - 1}}{{J}}_0^{\rm T}\left[ {\begin{array}{*{20}{c}} {1 - {k_0}} \\ {0 - {b_0}} \end{array}} \right] + \left[ {\begin{array}{*{20}{c}} {{S_{{\rm{scene0}}}}} \\ {{C_{{\rm{scene0}}}}} \end{array}} \right]$

(14)

式中， $*$ 表示最终迭代次数；通过给定模型参数初始值 ${S_{{\rm{scene0}}}}$ , ${C_{{\rm{scene0}}}}$ ，结合上述主成分思想可以得到初始点相应的 ${k_0}$ , ${b_0}$ 以及雅克比矩阵 ${{{J}}_0}$

${{{J}}_0} = {\left. {\left[ {\begin{array}{*{20}{c}} {\dfrac{{{\partial _k}}}{{{\partial _{{S_{{\rm{scene}}}}}}}}}&{\dfrac{{{\partial _k}}}{{{\partial _{{C_{{\rm{scene}}}}}}}}} \\ {\dfrac{{{\partial _b}}}{{{\partial _{{S_{{\rm{scene}}}}}}}}}&{\dfrac{{{\partial _b}}}{{{\partial _{{C_{{\rm{scene}}}}}}}}} \end{array}} \right]} \right|_{\begin{array}{*{20}{c}} {{S_{{\rm{scene0}}}}} \\ {{C_{{\rm{scene0}}}}} \end{array}}}$

(15)

然后将得到修正后的模型参数作为新的初始点进行下一次迭代，经过多次迭代后即可获得最佳模型参数 $S_{{\rm{scene}}}^ *$ , $C_{{\rm{scene}}}^ *$ ，迭代终止条件为( $\varepsilon$ 为经验阈值，本文设为 ${10^{ - 6}}$ )

$\left| {\left[ {\begin{array}{*{20}{c}} {S_{{\rm{scene}}}^ * } \\ {C_{{\rm{scene}}}^ * } \end{array}} \right] - \left[ {\begin{array}{*{20}{c}} {S_{{\rm{scene}}}^{( * - 1)}} \\ {C_{{\rm{scene}}}^{( * - 1)}} \end{array}} \right]} \right| < \varepsilon$

(16)

在利用训练数据求得时间去相干半经验模型参数后，对每个像元求解一元非线性方程得到整个散射场景内的森林高度结果。

2.4 多基线融合策略

时间去相干、体去相干以及其他噪声等因素会共同影响PolInSAR复相干性在复平面单位圆上的几何表达^[18]。在多基线配置下，不同干涉对在同一分辨单元内往往呈现出不同的相干区域结构(如图1所示)。而相干特性 $P$ 可以作为评价相干区域结构的指标^[19]

$P = \left| {\gamma ({\mu _{\min }}) - \gamma ({\mu _{\max }})} \right|\left| {\gamma ({\mu _{\min }}) + \gamma ({\mu _{\max }})} \right|$

(17)

式中， $\gamma ({\mu _{\min }})$ , $\gamma ({\mu _{\max }})$ 为2.2节所述相干区域长轴的两端点，分别对应体散射极化通道与地表散射极化通道的复相干系数。 $\left| {\gamma ({\mu _{\min }}) - \gamma ({\mu _{\max }})} \right|$ 即为极化相干区域的长轴，反映了不同极化相干点在复数单位圆的分离程度； $\left| {\gamma ({\mu _{\min }}) + \gamma ({\mu _{\max }})} \right|$ 为相干区域质心到坐标原点距离的2倍，反映了相干区域整体相干性的平均水平。因此，P 值越大说明该干涉对具有更好的相干性质量与极化分离度，反演的结果更为可靠。

通过相干特性指标P 甄选出不同干涉对在同一分辨单元内反演出的最优森林高度值作为多基线PolInSAR森林高度融合结果，多基线PolInSAR融合反演框架可表示为

$\max \left\| \begin{array}{l} {P^1}\left( {{\gamma ^1}\left( {{\mu _{\min }}} \right),{\gamma ^1}\left( {{\mu _{\max }}} \right)} \right)\\ {P^2}\left( {{\gamma ^2}({\mu _{\min }}),{\gamma ^2}({\mu _{\max }})} \right)\\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\vdots \\ {P^N}\left( {{\gamma ^N}({\mu _{\min }}),{\gamma ^N}({\mu _{\max }})} \right) \end{array} \right\|$

(18)

式中，N 为极化干涉SAR观测基线数。

3. 实验与分析

3.1 实验区及数据分析

研究区域黄丰桥国有林场(27° $05'$ —27° $24'$ N, 113° $35'$ —113° $55'$ E)呈带状分布，横跨湖南省攸县东西两部(如图3所示)。该林场属亚热带季风湿润性气候区，年平均气温17.8 °C，年降水量1410.8 mm，大部分降雨发生于春、夏季。林场境内森林茂盛，拥有森林蓄积量90.12×10⁴ m³，森林覆盖率达90%。林分类型以针叶林为主，包括杉木、油松、落叶松等。

图 3 实验区：绿线范围为黄丰桥(HFQ)林场研究区域，蓝色虚线为ALOS-2 PALSAR-2影像范围，圆点为地面实测林分样地

Figure 3. The test site: the green line indicates the study area of HuangFengQiao (HFQ) forestry center, the blue dotted line indicates the ALOS-2 PALSAR-2 image range, and the dots are field measurement plots

下载: 全尺寸图片幻灯片

地面实测数据由中南林业科技大学于2016年6～7月采集得到，通过在林区范围内选取60个相互独立的林分样地以确保避免空间自相关，每个林分样地规格为30×30 m。树高则基于单木测高原理利用激光测高仪测得，林分高度范围为4.60～20.20 m，平均高度为13.24 m。本文通过随机采样，将60个林分样地数据随机分为45个训练数据(图3黄点所示)和15个验证数据(图3红点所示)两组。

多基线星载重轨PolInSAR数据是利用日本宇航局(JAXA)提供的5景覆盖研究区域的ALOS-2 PALSAR-2 L波段全极化数据。该SAR影像范围如图3蓝色虚线所示，获取时间为2016年6月至8月，获取模式为StripMap2(SM2)，影像主要参数信息如表1所示。将5景SAR影像组成3个时间基线为14天的干涉影像对(BL1, BL2, BL3)，然后各自进行配准处理，并进行公共带通滤波以确保去除几何去相干。相干性以11×11窗口进行估计，并应用Boxcar滤波进行平滑处理以消除斑点效应。最后利用SRTM DEM对SAR影像进行地理编码，并将其重采样至与DEM空间分辨率一致(30×30 m)。图4为3个干涉对的HV极化和 ${\mu _{\min }}$ 极化的相干性统计图，由统计图可见不同干涉对的相干性均较低，说明研究区域受时间去相干影响较为严重。

表 1 ALOS-2 PALSAR-2参数信息

Table 1. Parameter information of ALOS-2 PALSAR-2

日期(2016年)	垂直有效波数(rad/m)	时间基线(天)	距离向/方位向分辨率(m)	中心入射角 (°)	极化方式
0616—0630 (BL1)	0.013～0.015
0630—0714 (BL2)	0.010～0.011	14	2.86/2.97	38.99	Full
0811—0825 (BL3)	0.009～0.010

下载: 导出CSV

| 显示表格

图 4 相干性统计图

Figure 4. The histograms of coherence

下载: 全尺寸图片幻灯片

3.2 实验结果与分析

以选取的15个验证林分的实测森林高度(H-field)对反演结果(H-invert)进行分析评价，图5为3个干涉对利用HV极化反演得到的散点图结果，均方根误差RMSE分别为：4.20 m, 4.03 m和3.42 m。利用 ${\mu _{\min }}$ 极化方式反演的验证结果如图6所示，3个干涉对的反演精度分别提高了：20%, 17%和12%，除此之外，相关系数 ${R^2}$ 也分别有所提高。分析认为采用全极化数据结合PolInSAR相干优化算法扩展了极化空间，相比已有方法中选用的HV极化， ${\mu _{\min }}$ 极化含有更少地表散射贡献，更贴近时间去相干半经验模型推导过程中基于“零”地体幅度比的关键假设。

图 5 单基线InSAR反演高度与验证数据散点图

Figure 5. Scatterplot comparison between inversion height of single baseline InSAR and validation data

下载: 全尺寸图片幻灯片

图 6 单基线PolInSAR反演高度与验证数据散点图

Figure 6. Scatterplot comparison between inversion height of single baseline PolInSAR and validation data

下载: 全尺寸图片幻灯片

从上述单基线森林高度反演结果看，不同干涉对反演整体精度较为接近，但是对于同一林分在利用不同干涉对反演的结果却存在明显差异。因此，当多基线数据可用时，我们进一步在单基线PolInSAR森林高度反演结果的基础上挖掘PolInSAR数据本身特性并对其森林高度反演能力进行评判。与时间去相干相关的参数 ${S_{{\rm{scene}}}}$ 和 ${C_{{\rm{scene}}}}$ 共同反映了散射场景内的时间去相干影响水平，其中 ${S_{{\rm{scene}}}}$ 与植被体层介电特性变化相关， ${C_{{\rm{scene}}}}$ 反映了植被体层随机运动引起时间去相关水平。表2即为单基线PolInSAR模型参数解算结果，对于不同干涉对， ${S_{{\rm{scene}}}}$ 越小，表明该基线在散射场景内植被体层介电变化(降水等引起)越显著； ${C_{{\rm{scene}}}}$ 越小，则表明植被体层随机运动(风动等引起)越强烈。从图4相干性统计图也可以看出，干涉对BL1相干性相对更低，受时间去相干的影响更为严重。因此，在不同时间去相干以及其他噪声影响下，每个干涉对在同一分辨单元内会具有不同的的相干特性，呈现出优劣不同的相干区域结构。

表 2 单基线PolInSAR模型参数解算结果

Table 2. Model parameter results of single baseline PolInSAR inversion

模型参数	BL1	BL2	BL3
${S_{{\rm{scene}}}}$	0.69	0.78	0.78
${C_{{\rm{scene}}}}$	9.88	10.08	11.14

下载: 导出CSV

| 显示表格

3个干涉对在验证林分的相干特性P值、反演森林高度值以及多基线融合森林高度值如表3所示，从整体看，根据相干特性P值大小从3个单基线PolInSAR反演结果中甄选出的森林高度结果更接近于实测真实森林高度。整个实验区的多基线PolInSAR融合反演结果以及精度评定如图7所示，均方根误差RMSE为2.05 m，相比于已有的方法，本文提出的多基线PolInSAR融合反演策略精度至少提高了40%(与图5中BL3基线结果对比)，同时，相关系数也提升至0.81。

表 3 3个干涉对的相干特性P值以及森林高度值

Table 3. Coherence characteristic P-value and forest heights for three interferometric pairs

林分样地编号	BL1 P值 / 森林高度(m)	BL2 P值 / 森林高度(m)	BL3 P值 / 森林高度(m)	多基线融合结果(m)	实测森林高度(m)
1	0.130 / 17.82	0.113 / 17.02	0.081 / 16.89	17.82	14.43
2	0.116 / 14.38	0.104 / 15.30	0.091 / 16.52	14.38	14.20
3	0.092 / 12.46	0.075 / 15.83	0.135 / 11.34	11.34	9.80
4	0.103 / 15.21	0.111 / 15.34	0.119 / 14.19	14.19	16.00
5	0.106 / 6.86	0.106 / 7.24	0.131 / 8.31	8.31	10.70
6	0.110 / 12.98	0.083 / 14.67	0.118 / 11.89	11.89	13.50
7	0.114 / 13.35	0.096 / 15.30	0.101 / 16.10	13.35	13.43
8	0.079 / 14.29	0.106 / 16.15	0.117 / 16.22	16.22	16.95
9	0.069 / 12.12	0.090 / 17.63	0.060 / 12.30	17.63	20.10
10	0.104 / 12.33	0.089 / 13.67	0.102 / 11.72	12.33	15.60
11	0.075 / 18.34	0.103 / 16.75	0.154 / 10.16	10.16	13.30
12	0.113 / 9.08	0.134 / 9.46	0.106 / 12.69	9.46	11.00
13	0.086 / 13.76	0.096 / 9.07	0.109 / 16.00	16.00	16.40
14	0.197 / 10.17	0.230 / 8.71	0.186 / 9.51	8.71	6.00
15	0.103 / 14.59	0.064 / 19.17	0.128 / 15.40	15.40	14.70

下载: 导出CSV

| 显示表格

图 7 多基线PolInSAR融合反演

Figure 7. Multi baseline PolInSAR fusion inversion

下载: 全尺寸图片幻灯片

4. 结束语

在多基线全极化数据可用条件下，弥补单基线InSAR观测信息不足以及几何结构单一的问题，对于反演结果整体精度提升具有重要作用。本文提出了一种星载重轨多基线PolInSAR反演森林高度的策略，对InSAR极化空间和观测几何空间进行扩展，主要结论如下：

(1) 该方法利用MCD相干优化算法获得对体散射最为敏感的极化方式，并基于时间去相干半经验模型进行森林高度反演，使每条单基线反演精度在一定程度上都有所提高。

(2) 利用由相干特性指标P确定的相干区域最优准则可以优选出同一分辨单元内最优的单基线森林高度反演结果。因此，相比仅利用单基线单一极化反演方法，多基线PolInSAR融合策略具有更好的稳定性，精度也更高。

图 1 FCOS算法的基础框架图

Figure 1. The basic framework of the FCOS

下载: 全尺寸图片幻灯片

图 2 FCOS的检测头部网络

Figure 2. The structure of the FCOS detection head network

下载: 全尺寸图片幻灯片

图 3 水平框与旋转框的参数表示

Figure 3. The parameters representation of horizontal bounding box and rotatable bounding box

下载: 全尺寸图片幻灯片

图 4 正负样本选择方式对比

Figure 4. Comparison of the positive/negative sample selection methods

下载: 全尺寸图片幻灯片

图 5 FCOSR结构图

Figure 5. The architecture of FCOSR

下载: 全尺寸图片幻灯片

图 6 9点位置的坐标变换

Figure 6. Coordinate transformation of the nine points location

下载: 全尺寸图片幻灯片

图 7 训练样本的筛选准则(蓝：正样本点，灰：负样本点)

Figure 7. The selection criteria for training samples (Blue: Positive sample points; Gray: Negative sample points)

下载: 全尺寸图片幻灯片

图 8 不同的正样本选择方法

Figure 8. Different positive sample selection methods

下载: 全尺寸图片幻灯片

图 9 用RATSS后的正样本在不同特征层的分布比例

Figure 9. The distribution ratio of positive samples in different feature layers after using the RATSS

下载: 全尺寸图片幻灯片

图 10 消融实验结果对比

Figure 10. Comparison of ablation experiment results

下载: 全尺寸图片幻灯片

图 11 FCOSR和FCOS的检测结果(蓝色：真值；黄色：虚警；绿色：漏检；红色：检测结果)

Figure 11. Results of FCOS and FCOSR (Blue: Ground truth; Yellow: False alarm; Green: Missing ship; Red: Detected result)

下载: 全尺寸图片幻灯片

图 12 远岸目标的检测结果(蓝色：真值；黄色：虚警；绿色：漏检；红色：检测结果)

Figure 12. Results of the offshore ships (Blue: Ground truth; Yellow: False Alarm; Green: Missing ship; Red: Detected result)

下载: 全尺寸图片幻灯片

图 13 近岸目标的检测结果 (蓝色：真值；黄色：虚警；绿色：漏检；红色：检测结果)

Figure 13. Results of the inshore ships (Blue: Ground truth; Yellow: False alarm; Green: Missing ship; Red: Detected result)

下载: 全尺寸图片幻灯片

图 14 复杂河道的检测结果(蓝色：真值；黄色：虚警；绿色：漏检；红色：检测结果)

Figure 14. Results of the ships in rivers (Blue: Ground truth; Yellow: False alarm; Green: Missing ship; Red: Detected result)

下载: 全尺寸图片幻灯片

表 1 COCO指标

Table 1. COCO metrics

指标	解释
${\rm{mAP} }$	${{\rm{mAP}}}$ at IOU=0.50:0.05:0.95
${\rm mAP}_{50}$	${{\rm{mAP}}}$ at IoU=0.50
${\rm mAP}_{ {\rm{S} } }$	${{\rm{mAP}}}_{50}$ for small Ship: ${\rm{area}} < {32}^{2}$
${ {\rm{mAP} } }_{{\rm{M}}}$	${{\rm{mAP}}}_{50}$ for medium Ship: ${32}^{2} < {\rm{area}} < {96}^{2}$
${ {\rm{mAP} } }_{{\rm{L}}}$	${{\rm{mAP}}}_{50}$ for large Ship: ${\rm{area}} > {96}^{2}$

下载: 导出CSV

表 2 不同样本选择方法的实验结果

Table 2. Results of different samples selection methods

方法	k	mAP (%)	$\rm{m}{\rm{AP} }_{50}$ (%)	$\rm{m} {\rm{AP} }_{S }$ (%)	$\rm{m} {\rm{AP}}_{{M}}$ (%)	$\rm{m} {\rm{AP} }_{\rm{L} }$ (%)	Time (s/iter)
采样方式a	–	30.2	75.7	34.0	31.2	30.3	0.266
采样方式b	–	38.6	85.6	38.3	43.4	41.5	0.269
采样方式c	–	36.6	83.5	39.2	32.0	33.6	0.268
RATSS(无第4步)	5	40.3	87.2	39.4	43.4	70.1	0.287
RATSS	3	40.2	91.8	38.7	44.9	55.1	0.295
	5	42.2	91.7	40.5	46.2	64.7	0.297
	7	41.8	92.2	40.4	45.7	50.9	0.300
	9	40.6	90.3	39.7	42.9	57.3	0.302
	11	41.8	91.0	41.3	43.9	52.9	0.302

下载: 导出CSV

表 3 消融实验结果(%)

Table 3. Results of ablation experiments (%)

9点特征表示	残差回归分支	mAP	$\rm{m} {\rm{AP} }_{50}$	$\rm{m} {\rm{AP} }_{\rm{S} }$	$\rm{m} {\rm{AP} }_{\rm{M} }$	$\rm{m} {\rm{AP} }_{\rm{L} }$
×	×	34.8	85.4	35.8	33.7	30.6
√	×	38.3	89.8	37.7	40.2	53.8
√	√	42.2	91.7	40.5	46.2	64.7

下载: 导出CSV

表 4 近岸与远岸船舶的mAP结果值(%)

Table 4. The mAP results of the ships in inshore and offshore (%)

场景	9点特征表示	残差回归分支	$\rm{m}{\rm{AP} }_{50}$	$\rm{m} {\rm{AP} }_{\rm{S} }$	$\rm{m} {\rm{AP} }_{\rm{M} }$	$\rm{m} {\rm{AP} }_{\rm{L} }$
近岸	×	×	61.7	24.0	21.1	37.5
	√	×	75.6	28.6	29.5	68.5
	√	√	76.3	30.7	36.9	70.1
远岸	×	×	95.1	40.0	42.9	26.7
	√	×	95.4	41.0	47.6	51.6
	√	√	97.4	44.0	52.3	64.2

下载: 导出CSV

表 5 FCOS与FCOSR的对比

Table 5. The performance comparison of FCOS and FCOSR

方法	骨干网络类型	FPN输出通道数	SSDD+			HRSID			FPS	Size (MB)	Time (s/iter)
方法	骨干网络类型	FPN输出通道数	Recall (%)	mAP (%)	mAP₅₀ (%)	Recall (%)	mAP (%)	mAP₅₀ (%)	FPS	Size (MB)	Time (s/iter)
FCOS	ResNet50	256	97.18	45.1	93.7	87.20	50.5	82.9	21.6	192.1	0.352
FCOSR	ResNet50	256	94.55	41.9	92.1	87.55	44.9	83.5	20.8	196.8	0.584
FCOSR	ResNet34	128	94.17	42.2	91.7	87.59	47.3	84.3	30.1	188.1	0.297

下载: 导出CSV

表 6 不同检测网络的精度对比

Table 6. The comparison of the accuracy of different detection networks

方法	SSDD+			HRSID			FPS	Size (MB)	Time (s/iter)
方法	Recall (%)	mAP (%)	mAP₅₀ (%)	Recall (%)	mAP (%)	mAP₅₀ (%)	FPS	Size (MB)	Time (s/iter)
ReDet	88.16	43.69	87.57	83.11	44.2	80.1	11.8	256.8	0.544
R3Det	91.16	40.47	89.29	86.14	47.2	83.7	11.4	378.9	0.638
R-RetinaNet	89.85	36.00	86.20	83.57	42.1	80.9	15.6	290.2	0.331
FasterRCNN-O	91.16	42.15	90.12	85.56	46.1	82.8	13.2	441.5	0.496
FCOSR	94.17	42.20	91.70	87.59	47.3	84.3	30.1	188.1	0.297

下载: 导出CSV

参考文献(36)

[1]	郭倩, 王海鹏, 徐丰. SAR图像飞机目标检测识别进展[J]. 雷达学报, 2020, 9(3): 497–513. doi: 10.12000/JR20020 GUO Qian, WANG Haipeng, and XU Feng. Research progress on aircraft detection and recognition in SAR imagery[J]. Journal of Radars, 2020, 9(3): 497–513. doi: 10.12000/JR20020
[2]	樊海玮, 史双, 蔺琪, 等. 复杂背景下SAR图像船舶目标检测算法研究[J]. 计算机技术与发展, 2021, 31(10): 49–55. doi: 10.3969/j.issn.1673-629X.2021.10.009 FAN Haiwei, SHI Shuang, LIN Qi, et al. Research on ship target detection algorithm in complex background SAR image[J]. Computer Technology and Development, 2021, 31(10): 49–55. doi: 10.3969/j.issn.1673-629X.2021.10.009
[3]	李健伟, 曲长文, 彭书娟. 基于级联CNN的SAR图像舰船目标检测算法[J]. 控制与决策, 2019, 34(10): 2191–2197. doi: 10.13195/j.kzyjc.2018.0168 LI Jianwei, QU Changwen, and PENG Shujuan. A ship detection method based on cascade CNN in SAR images[J]. Control and Decision, 2019, 34(10): 2191–2197. doi: 10.13195/j.kzyjc.2018.0168
[4]	CUI Zongyong, LI Qi, CAO Zongjie, et al. Dense attention pyramid networks for multi-scale ship detection in SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(11): 8983–8997. doi: 10.1109/TGRS.2019.2923988
[5]	张晓玲, 张天文, 师君, 等. 基于深度分离卷积神经网络的高速高精度SAR舰船检测[J]. 雷达学报, 2019, 8(6): 841–851. doi: 10.12000/JR19111 ZHANG Xiaoling, ZHANG Tianwen, SHI Jun, et al. High-speed and high-accurate SAR ship detection based on a depthwise separable convolution neural network[J]. Journal of Radars, 2019, 8(6): 841–851. doi: 10.12000/JR19111
[6]	陈慧元, 刘泽宇, 郭炜炜, 等. 基于级联卷积神经网络的大场景遥感图像舰船目标快速检测方法[J]. 雷达学报, 2019, 8(3): 413–424. doi: 10.12000/JR19041 CHEN Huiyuan, LIU Zeyu, GUO Weiwei, et al. Fast detection of ship targets for large-scale remote sensing image based on a cascade convolutional neural network[J]. Journal of Radars, 2019, 8(3): 413–424. doi: 10.12000/JR19041
[7]	WANG Zhen, WANG Buhong, and XU Nan. SAR ship detection in complex background based on multi-feature fusion and non-local channel attention mechanism[J]. International Journal of Remote Sensing, 2021, 42(19): 7519–7550. doi: 10.1080/01431161.2021.1963003
[8]	WANG Yuanyuan, WANG Chao, ZHANG Hong, et al. Automatic ship detection based on RetinaNet using multi-resolution Gaofen-3 imagery[J]. Remote Sensing, 2019, 11(5): 531. doi: 10.3390/rs11050531
[9]	ZHAO Yan, ZHAO Lingjun, XIONG Boli, et al. Attention receptive pyramid network for ship detection in SAR images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 2738–2756. doi: 10.1109/JSTARS.2020.2997081
[10]	ZHANG Tianwen, ZHANG Xiaoling, and KE Xiao. Quad-FPN: A novel quad feature pyramid network for SAR ship detection[J]. Remote Sensing, 2021, 13(14): 2771. doi: 10.3390/rs13142771
[11]	LAW H and DENG Jia. CornerNet: Detecting objects as paired keypoints[J]. International Journal of Computer Vision, 2020, 128(3): 642–656. doi: 10.1007/s11263-019-01204-1
[12]	ZHOU Xingyi, WANG Dequan, and KRÄHENBÜHL P. Objects as points[C]. arXiv preprint arXiv: 1904.07850, 2019.
[13]	TIAN Zhi, SHEN Chunhua, CHEN Hao, et al. FCOS: Fully convolutional one-stage object detection[C]. The 2019 IEEE/CVF International Conference on Computer Vision, Seoul, Korea (South), 2019: 9626–9635.
[14]	KONG Tao, SUN Fuchun, LIU Huaping, et al. FoveaBox: Beyound anchor-based object detection[J]. IEEE Transactions on Image Processing, 2020, 29: 7389–7398. doi: 10.1109/TIP.2020.3002345
[15]	CUI Zongyong, WANG Xiaoya, LIU Nengyuan, et al. Ship detection in large-scale SAR images via spatial shuffle-group enhance attention[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(1): 379–391. doi: 10.1109/TGRS.2020.2997200
[16]	GUO Haoyuan, YANG Xi, WANG Nannan, et al. A CenterNet++ model for ship detection in SAR images[J]. Pattern Recognition, 2021, 112: 107787. doi: 10.1016/j.patcog.2020.107787
[17]	SUN Zhongzhen, DAI Muchen, LENG Xiangguang, et al. An anchor-free detection method for ship targets in high-resolution SAR images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 7799–7816. doi: 10.1109/JSTARS.2021.3099483
[18]	FU Jiamei, SUN Xian, WANG Zhirui, et al. An anchor-free method based on feature balancing and refinement network for multiscale ship detection in SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(2): 1331–1344. doi: 10.1109/TGRS.2020.3005151
[19]	MA Jianqi, SHAO Weiyuan, YE Hao, et al. Arbitrary-oriented scene text detection via rotation proposals[J]. IEEE Transactions on Multimedia, 2018, 20(11): 3111–3122. doi: 10.1109/TMM.2018.2818020
[20]	JIANG Yingying, ZHU Xiangyu, WANG Xiaobing, et al. R2CNN: Rotational region CNN for orientation robust scene text detection[C]. arXiv preprint arXiv: 1706.09579, 2017.
[21]	YANG Xue, YANG Jirui, YAN Junchi, et al. SCRDet: Towards more robust detection for small, cluttered and rotated objects[C]. 2019 IEEE/CVF International Conference on Computer Vision (ICCV), Seoul, Korea (South), 2019: 8231–8240.
[22]	YANG Xue, LIU Qingqing, YAN Junchi, et al. R3Det: Refined single-stage detector with feature refinement for rotating object[C]. arXiv preprint arXiv: 1908.05612, 2019.
[23]	HAN Jiaming, DING Jian, XUE Nan, et al. ReDet: A rotation-equivariant detector for aerial object detection[C]. 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Nashville, USA, 2021: 2785–2794.
[24]	WANG Jizhou, LU Changhua, and JIANG Weiwei. Simultaneous ship detection and orientation estimation in SAR images based on attention module and angle regression[J]. Sensors, 2018, 18(9): 2851. doi: 10.3390/s18092851
[25]	LIU Lei, CHEN Guowei, PAN Zongxu, et al. Inshore ship detection in SAR images based on deep neural networks[C]. IGARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium, Valencia, Spain, 2018: 25–28.
[26]	AN Quanzhi, PAN Zongxu, LIU Lei, et al. DRBox-v2: An improved detector with rotatable boxes for target detection in SAR images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(11): 8333–8349. doi: 10.1109/TGRS.2019.2920534
[27]	CHEN Chen, HE Chuan, HU Changhua, et al. MSARN: A deep neural network based on an adaptive recalibration mechanism for multiscale and arbitrary-oriented SAR ship detection[J]. IEEE Access, 2019, 7: 159262–159283. doi: 10.1109/ACCESS.2019.2951030
[28]	PAN Zhenru, YANG Rong, and ZHANG Zhimin. MSR2N: Multi-stage rotational region based network for arbitrary-oriented ship detection in SAR images[J]. Sensors, 2020, 20(8): 2340. doi: 10.3390/s20082340
[29]	CHEN Shiqi, ZHANG Jun, and ZHAN Ronghui. R²FA-Det: Delving into high-quality rotatable boxes for ship detection in SAR images[J]. Remote Sensing, 2020, 12(12): 2031. doi: 10.3390/rs12122031
[30]	YANG Rong, WANG Gui, PAN Zhenru, et al. A novel false alarm suppression method for CNN-based SAR ship detector[J]. IEEE Geoscience and Remote Sensing Letters, 2021, 18(8): 1401–1405. doi: 10.1109/LGRS.2020.2999506
[31]	DAI Jifeng, QI Haozhi, XIONG Yuwen, et al. Deformable convolutional networks[C]. 2017 IEEE International Conference on Computer Vision (ICCV), Venice, Italy, 2017: 764–773.
[32]	ZHANG Shifeng, CHI Cheng, YAO Yongqiang, et al. Bridging the gap between anchor-based and anchor-free detection via adaptive training sample selection[C]. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Seattle, USA, 2020: 9756–9765.
[33]	LIN T Y, GOYAL P, GIRSHICK R, et al. Focal loss for dense object detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020, 42(2): 318–327. doi: 10.1109/TPAMI.2018.2858826
[34]	LI Jianwei, QU Changwen, and SHAO Jiaqi. Ship detection in SAR images based on an improved faster R-CNN[C]. 2017 SAR in Big Data Era: Models, Methods and Applications (BIGSARDATA), Beijing, China, 2017: 1–6.
[35]	WEI Shunjun, ZENG Xiangfeng, QU Qizhe, et al. HRSID: A high-resolution SAR images dataset for ship detection and instance segmentation[J]. IEEE Access, 2020, 8: 120234–120254. doi: 10.1109/ACCESS.2020.3005861
[36]	XIA Guisong, BAI Xiang, DING Jian, et al. DOTA: A large-scale dataset for object detection in aerial images[C]. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, USA, 2018: 3974–3983.

施引文献

期刊类型引用(5)

1.	汪思源，曲毅，陈怡君. 基于U-Net的涡旋电磁波雷达成像方法. 空军工程大学学报. 2024(03): 77-85 . 百度学术
2.	潘浩然，马晖，胡敦法，刘宏伟. 基于涡旋电磁波新体制的雷达前视三维成像. 雷达学报. 2024(05): 1109-1122 . 本站查看
3.	毛德庆，杨建宇，杨明杰，张永超，张寅，黄钰林. IAA-Net：一种实孔径扫描雷达迭代自适应角超分辨成像方法. 雷达学报. 2024(05): 1073-1091 . 本站查看
4.	马晖，胡敦法，师竹雨，刘宏伟. 基于涡旋电磁波的雷达应用研究进展. 现代雷达. 2023(05): 27-41 . 百度学术
5.	袁航，罗迎，陈怡君，苏令华. 基于反正弦圆环天线阵列的二维成像. 北京航空航天大学学报. 2023(06): 1487-1494 . 百度学术

其他类型引用(10)

资源附件(0)

访问统计

图(14) / 表(6)

计量

文章访问数: 2393
HTML全文浏览量: 1766
PDF下载量: 215
被引次数: 15

1. 引言
2. 多基线PolInSAR森林高度反演策略
2.1 时间去相干半经验模型
2.2 MCD相干优化算法
2.3 森林高度反演方法
2.4 多基线融合策略
3. 实验与分析
3.1 实验区及数据分析
3.2 实验结果与分析
4. 结束语

FCOSR：一种无锚框的SAR图像任意朝向船舶目标检测网络

DOI: 10.12000/JR21204

通讯作者:
张波 zhangbo202140@aircas.ac.cn

计量

FCOSR: An Anchor-free Method for Arbitrary-oriented Ship Detection in SAR Images

Corresponding author: ZHANG Bo, zhangbo202140@aircas.ac.cn

1. 引言

2. 多基线PolInSAR森林高度反演策略

2.1 时间去相干半经验模型

2.2 MCD相干优化算法

2.3 森林高度反演方法

2.4 多基线融合策略

3. 实验与分析

3.1 实验区及数据分析

3.2 实验结果与分析

4. 结束语

期刊类型引用(5)

其他类型引用(10)

计量

目录

1. 引言

2. 多基线PolInSAR森林高度反演策略

2.1 时间去相干半经验模型

2.2 MCD相干优化算法

2.3 森林高度反演方法

2.4 多基线融合策略

3. 实验与分析

3.1 实验区及数据分析

3.2 实验结果与分析

4. 结束语

期刊介绍

联系我们

FCOSR：一种无锚框的SAR图像任意朝向船舶目标检测网络

DOI: 10.12000/JR21204

通讯作者: 张波 zhangbo202140@aircas.ac.cn

计量

出版历程

FCOSR: An Anchor-free Method for Arbitrary-oriented Ship Detection in SAR Images

Corresponding author: ZHANG Bo, zhangbo202140@aircas.ac.cn

1. 引言

2. 多基线PolInSAR森林高度反演策略

2.1 时间去相干半经验模型

2.2 MCD相干优化算法

2.3 森林高度反演方法

2.4 多基线融合策略

3. 实验与分析

3.1 实验区及数据分析

3.2 实验结果与分析

4. 结束语

期刊类型引用(5)

其他类型引用(10)

计量

出版历程

目录

1. 引言

2. 多基线PolInSAR森林高度反演策略

2.1 时间去相干半经验模型

2.2 MCD相干优化算法

2.3 森林高度反演方法

2.4 多基线融合策略

3. 实验与分析

3.1 实验区及数据分析

3.2 实验结果与分析

4. 结束语

期刊介绍

联系我们

通讯作者:
张波 zhangbo202140@aircas.ac.cn