基于卷积神经网络和合成目标的星载红外图像舰船检测

这篇文章会让你大长见识，当然也不是一般实验条件能做的，我是第一次见到逆卷积这样操作的。另外就是结构非常值得学习，总分结构特别有条理，能用条说的绝不写成一片文字。

题目：Ship detection in spaceborne infrared images based on Convolutional Neural

摘要：星载红外图像的舰船检测在军事和民事应用都非常重要，因为它的检测无关天气。尽管近来深度学习方法已经成功的应用于很多图片处理领域，训练深度学习模型依旧依赖大量的标签数据。这就限制了它在红外图片目标检测任务中的应用。考虑到这些，我们提出了一个新的基于卷积神经网络的红外舰船检测模型。该卷积网络只用合成目标训练。针对有限的红外训练数据问题，我们设计了一个转换网络来生成大量合成红外舰船目标。这些原始舰船目标来自谷歌地球图片。在近红外图片，短波红外图片和由landsat-8卫星拍摄的长波红外图片下进行实验。结果显示T-Net的目标生成能力很高效。仅仅应用于合成的训练样本中，我们提出的检测方法比其他经典的舰船检测方法准确率更高。

1.引言

近几年，红外成像传感技术飞速发展，对比可选择的远距离场景图片，利用红外图片进行舰船检测比热成像更具优势，而且可以不受天气原因干扰。

接下来介绍了一些利用多传感器信息融合的图片来进行检测的方法，说明这些方法采用了低级的信息提取手段，在复杂情况下也只能有有限的提升空间。然后介绍了一些分类方法，并说明了它们的限制，强调了CNN方法的好处。

2.方法

整体分3部分：

①使用T-Net生成合成目标；

②使用模板过滤法提取候选框；

③使用C-net识别候选框

2.1生成合成目标

2.2候选目标提取

2.3识别候选目标

3.实验结果与分析

实验细节分3部分：

①实验数据

②训练T-Net和C-Net

③检测结果和结果分析

3.1实验数据

实验数据包括2部分：

①选择目标图片

②红外图片

3.2训练细节

T-Net:1474

C-Net:5898  64*64

3.3检测结果与分析

3.4对比分析

4.结论