基于胶囊与卷积神经网络的 Sentinel-1 数据 SAR 舰船分类
图像与视频处理
2019-10-15 v1 计算机视觉与模式识别
机器学习
摘要
合成孔径雷达（SAR）是满足高分辨率要求的大区域监测的基础手段。首批 SAR 传感器催生了粗糙的沿海与海洋监测应用，包括溢油、舰船与浮冰检测。近年来随着 Sentinel-1 等较新的 SAR 任务将传感器升级至甚高分辨率，大量信息内容更丰富的数据得以发布，使得针对通用目标特征的更精细研究成为可能，从而允许复杂分类，如舰船分类——鉴于商业与军事领域对海岸监视日益增长的需求，其重要性日益凸显。过去十年中，若干聚焦该主题的工作被提出，通常基于辐射特征处理；此外，近年内大量研究聚焦于新兴深度学习技术，特别是卷积神经网络（CNN）。近期胶囊神经网络（CapsNet）被提出，在捕捉给定实体属性、改进空间信息（尤其是特征间空间依赖性）利用方面表现出显著改进，而这是 CNN 严重缺乏的特性。事实上，CNN 的池化操作因丢失空间关系而受批评，为此提出了特殊胶囊及一种新的迭代式协议一致性路由机制。本文利用 OpenSARShip（一个 SAR Sentinel-1 舰船切片数据集），展示了胶囊与 CNN 在舰船分类应用领域的潜力对比；特别地，构建了胶囊与多种卷积架构间的性能比较，证明 CapsNet 在小数据集上分类舰船性能更优。
引用
@article{arxiv.1910.05401,
title = {Capsule and convolutional neural network-based SAR ship classification in Sentinel-1 data},
author = {Leonardo De Laurentiis and Andrea Pomente and Fabio Del Frate and Giovanni Schiavon},
journal= {arXiv preprint arXiv:1910.05401},
year = {2019}
}
备注
Please check out the original SPIE paper for a complete list of figures, tables, references and general content