Проблема синтеза и анализа алгоритмов обработки радиолокационных изображений пространственно-распределенных целей, полученных средствами космического мониторинга, была и остается одной из наиболее значимых как с теоретических, так и практических позиций для обеспечения безопасности мореплавания, контроля за незаконной добычей рыбы, мониторинга и управления кризисными ситуациями, такими как естественные бедствия, миграционные потоки и другие. Одним из наиболее распространенных приложений названной проблемы является распознавание надводных кораблей, которому и посвящен данный обзор, выполненный по иностранным источникам. В связи с этим предлагаемый обзор, содержащий достаточно подробный анализ современных методов решения названной задачи, предложенных широким кругом авторов в последние десятилетия, будет полезен создателям и исследователям средств космического наблюдения за состоянием морской поверхности.
Предпросмотр статьи
Идентификаторы и классификаторы
Обнаружение и распознавание таких пространственно-распределенных целей (ПРЦ), как надводные корабли (НК), космическими средствами наблюдения представляют собой приоритетные задачи в области глобального мониторинга и имеют целый ряд важных практических применений. Среди них можно выделить следующие:
1. Безопасность мореплавания: автоматическое распознавание кораблей дает возможность заблаговременно обнаруживать другие суда и определять траектории их движения, что позволяет снизить вероятность столкновений и других аварий на море.
Список литературы
1. Kechagias-Stamatis O., Aouf N. Automatic Target Recognition On Synthetic Aperture Radar Imagery: A Survey. IEEE Aerospace and Electronic Systems Magazine. 2021;36(3):56-81. DOI: 10.1109/MAES.2021.3049857 EDN: ZBINAA
2. Dong G., Kuang G., Wang N., Zhao L., Lu J. SAR Target Recognition via Joint Sparse Representation of Monogenic Signal. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2015;8(7):3316-3328. DOI: 10.1109/JSTARS.2015.2436694
3. Bolourchi P., Moradi M., Demirel H., Uysal S. Random Forest Feature Selection for SAR-ATR. 2018 UKSim-AMSS 20th International Conference on Modelling and Simulation. 27-29 March 2018. Cambridge, UK. IEEE; 2018. Pp. 91-96. DOI: 10.1109/UKSim.2018.00028
4. Zhao Q., Brennan V., Xu D., Wang Zh. Synthetic Aperture Radar Automatic Target Recognition with Three Strategies of Learning and Representation. Optical Engineering. 2000;39(5):1230-1244. DOI: 10.1117/1.602495
5. Wang Y., Han P., Lu X., Wu R., Huang Ji. The performance comparison of Adaboost and SVM applied to SAR ATR. 2006 CIE International Conference on Radar. 6-19 October 2006. Shanghai, China. IEEE; 2007. Pp. 1-4. DOI: 10.1109/ICR.2006.343515
6. Chen Ch., Huang K., Gao G. Small-Target Detection between SAR Images Based on Statistical Modeling of Log-Ratio Operator. Sensors. 2019;19(6):1431-1440. DOI: 10.3390/s19061431
7. Huang P., Qiu W. A robust decision fusion strategy for SAR target recognition. Remote Sensing Letters. 2019;9(6):507-514. DOI: 10.1080/2150704X.2018.1444287
8. Song S., Xu B., Li Z., Yang J. Ship Detection in SAR Imagery via Variational Bayesian Inference. IEEE Geoscience and Remote Sensing Letters. 2016;13(3):319-323. DOI: 10.1109/LGRS.2015.2510378
9. Liu H., Li Sh. Decision fusion of sparse representation and support vector machine for SAR image target recognition. Neurocomputing. 2013;113:97-104. DOI: 10.1016/j.neucom.2013.01.033
10. Bolourchi P., Moradi M., Demirel H., Uysal S. Improved SAR target recognition by selecting moment methods based on Fisher score. Signal, Image and Video Processing. 2020;14:39-47. DOI: 10.1007/s11760-019-01521-5 EDN: MCHGDH
11. Touzi R., Lopes A., Bousquet P. A Statistical and Geometrical Edge Detector for SAR Images. IEEE transactions on geoscience and remote sensing. 1988;26(6):764-773. DOI: 10.1109/36.7708
12. Dai H., Du L., Wang Y., Wang Z. Modified CFAR Algorithm Based on Object Proposals for Ship Target Detection in SAR Images. IEEE Geoscience and Remote Sensing Letters. 2016;13(12):1925-1929. DOI: 10.1109/LGRS.2016.2618604
13. Ray N., Sethunadh R., Aparna P. R. Object detection in SAR image based on bandlet transform. Journal of Visual Communication and Image Representation. 2016;40(A):376-383. DOI: 10.1016/j.jvcir.2016.07.010
14. Gao G., Liu L., Zhao L., Shi G., Kuang G. An adaptive and fast CFAR algorithm based on automatic censoring for target detection in high-resolution SAR images. IEEE transactions on geoscience and remote sensing. 2009;47(6):1685-1697. DOI: 10.1109/TGRS.2008.2006504
15. Kaplan L. M., Murenzi R. Evaluation of CFAR and texture based target detection statistics on SAR imagery. In: Proceedings of the 1998 IEEE International Conference on Acoustics, Speech and Signal Processing. 15 May 1998. Seattle, WA, USA. IEEE; 2002. Pp. 2141-2144. DOI: 10.1109/ICASSP.1998.681569
16. Wang R., Chen J.-W., Wang Y., Jiao L., Wang M. SAR Image Change Detection via Spatial Metric Learning With an Improved Mahalanobis Distance. IEEE Geoscience and Remote Sensing Letters. 2020;17(1):77-81. DOI: 10.1109/LGRS.2019 EDN: QBJFIG
17. Song S., Xu B., Yang J. SAR Target Recognition via Supervised Discriminative Dictionary Learning and Sparse Representation of the SAR-HOG Feature. Remote Sensing. 2016;8(8):686. DOI: 10.3390/rs8080683
18. Zhao Q., Principe J. C. Support Vector Machines For Synthetic Aperture Radar Automatic Target Recognition. IEEE Transactions on Aerospace and Electronic Systems. 2001;37(2):643-654. DOI: 10.1109/7.937475
19. Nicoli L. P., Anagnostopoulos G. C. Shape-based recognition of targets in Synthetic Aperture Radar images using elliptical Fourier Descriptors. In: Proceedings of SPIE. Vol. 6967. Automatic Target Recognition XVIII. 19-20 March 2008. Orlando, Florida, USA. SPIE; 2008. Pp. 148-159. DOI: 10.1117/12.777806 EDN: NVFNQB
20. Ruiz P., Mateos J., Camps-Valls G., Molina R. Bayesian Active Remote Sensing Image Classification. IEEE Transactions on Geoscience and Remote Sensing. 2014;52(4):2186-2196. DOI: 10.1109/TGRS.2013.2258468
21. Wei Y., Jiao L., Liu F., Yang S., Wu Q., Sanga G. Fast DDL Classification for SAR Images with L(1, inf) Constraint. IEEE Access. 2019;7:68991-69006. DOI: 10.1109/ACCESS.2019.2918352
22. Waske B. M., Waske B. Classifier ensembles for land cover mapping using multitemporal SAR imagery. Journal of Photogrammetry and Remote Sensing. 2009;64(5):450-457. DOI: 10.1016/j.isprsjprs.2009.01.003
23. Tongyuan Z., Yang W., Dai D., Sun H. Polarimetric SAR Image Classification Using Multifeatures Combination and Extremely Randomized Clustering Forests. EURASIP journal on advances in signal processing. 2010;2:1-9. DOI: 10.1155/2010/465612
24. Zhu Zh., Woodcock C. E., Rogan J., Kellndorfer J. Assessment of spectral, polarimetric, temporal, and spatial dimensions for urban and peri-urban land cover classifica tion using Landsat and SAR data. Remote Sensing of Environment. 2011;117:72-82. DOI: 10.1016/j.rse.2011.07.020
25. Topouzelis K., Psyllos A. Oil spill feature selection and classification using decision tree forest on SAR image data. ISPRS Journal of Photogrammetry and Remote Sensing. 2012;68:135-143. DOI: 10.1016/j.isprsjprs.2012.01.005
26. Du T., Li L. SAR Automatic Target Recognition Based on Attribute Scattering Center Model and Discriminative Dictionary Learning. IEEE Sensors Journal. 2019;19(2):4598-4611. DOI: 10.1109/JSEN.2019.2901050
27. Tian Z., Wang L., Zhan R., Hu J., Zhang J. Classification via weighted kernel CNN: application to SAR target recognition. International Journal of Remote Sensing. 2018;39(23):9249-9268. DOI: 10.1080/01431161.2018.1531317
28. Lv J., Liu Y. Data Augmentation Based on Attributed Scattering Centers to Train Robust CNN for SAR ATR. IEEE Access. 2019;7:25459-25473. DOI: 10.1109/ACCESS.2019.2900522
29. Wang L., Xu X., Dong H., Gui R., Yang R., Pu F. Exploring Convolutional Lstm for Polsar Image Classification. IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium. 22-27 July 2018. Valencia, Spain. IEEE; 2018. Pp. 8452-8455. DOI: 10.1109/IGARSS.2018.8518517
30. Ji X. X., Zhang G. Adaptive boosting for SAR automatic target recognition. IEEE Transactions on Aerospace and Electronic Systems. 2007;43(1):112-125. DOI: 10.1109/TAES.2007.357120
31. Min R., Quan H., Cui Z., Cao Z., Pi Y, Xu Z. SAR Target Detection Using AdaBoost via GPU Acceleration. IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium. July 28 - August 2 2019. Yokohama, Japan. IEEE; 2019. Pp. 1180-1183. DOI: 10.1109/IGARSS.2019.8899296
32. Wen X. B., Zhang H., Jiang Z. T. Multiscale Unsupervised Segmentation of SAR Imagery Using the Genetic Algorithm. Sensors. 2008;8(3):1704-1711. DOI: 10.3390/s8031704
33. Bhanu B., Lin Y. Genetic algorithm based feature selection for target detection in SAR images. Image and Vision Computing. 2003; 21(7):591-608. DOI: 10.1016/S0262-8856(03)00057-X EDN: EJZUVN
34. Marino A., Sanjuan-Ferrer M.J., Hajnsek I., Ouchi K. Ship detectors exploiting spectral analysis of SAR images. 2014 IEEE Geoscience and Remote Sensing Symposium. 13-18 July 2014. Quebec City, QC, Canada. IEEE; 2014. Pp. 978-981. DOI: 10.1109/IGARSS.2014.6946590
35. Zhang X., Xiong B., Dong G., Kuang G. Ship Segmentation in SAR Images by Improved Nonlocal Active Contour Model. Sensors. 2018;18(12):420-434. DOI: 10.3390/s18124220
36. Leng X., Ji K., Yang K., Zou H. A Bilateral CFAR Algorithm for Ship Detection in SAR Images. IEEE Geoscience and Remote Sensing Letters. 2015;12(7):1536-1540. DOI: 10.1109/LGRS.2015.2412174
37. Gao G. A Parzen-Window-Kernel-Based CFAR Algorithm for Ship Detection in SAR Images. IEEE Geoscience and Remote Sensing Letters. 2011;8(3):557-561. DOI: 10.1109/LGRS.2010.2090492
38. Bisceglie M., Galdi C. CFAR detection of extended objects in high resolution SAR images. IEEE Transactions on Geoscience and Remote Sensing. 2005;43(4):833-843. DOI: 10.1109/TGRS.2004.843190
39. Ji K., Xing X., Chen W., Zou H., Chen Ju. Ship classification in TerraSAR-X SAR images based on classifier combination. 2013 IEEE International Geoscience and Remote Sensing Symposium - IGARSS. 21-26 July 2013. Melbourne, VIC, Australia. IEEE; 2014. Pp. 2589-2592. DOI: 10.1109/IGARSS.2013.6723352
40. Osman H. M., Blostein S. D. New cost function for backpropagation neural networks with application to SAR imagery classification. In: Proceedings of SPIE - The International Society for Optical Engineering. Vol. 3718. Automatic Target Recognition IX. 24 August 1999. Society of Photo Optical; 1999. DOI: 10.1117/12.359941
41. Xiong W., Yongli X., Libo Y., Yaqi C. A New Ship Target Detection Algorithm based on SVM in High Resolution SAR Images. Remote Sensing Technology and Application. 2018;33(1):119-127. DOI: 10.1145/3133264.3133273
42. Ji K., Leng X., Wang H., Zhou S., Zou H. Ship detection using weighted SVM and M-CHI decomposition in compact polarimetric SAR imagery. 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). 23-28 July 2017. Fort Worth, TX, USA. IEEE; 2017. Pp. 890-893. DOI: 10.1109/IGARSS.2017.8127095
43. Snapir B., Waine T. W., Biermann L. Maritime Vessel Classification to Monitor Fisheries with SAR: Demonstration in the North Sea. Remote Sensing. 2019;11(3):353. DOI: 10.3390/rs11030353
44. Yang R., Pan Z., Jia X., Zhang L., Deng Y. A Novel CNN-Based Detector for Ship Detection Based on Rotatable Bounding Box in SAR Images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2021;14:1938-1958. DOI: 10.1109/JSTARS.2021.3049851 EDN: UCEPEA
45. Yang R., Wang G., Pan Z., Lu H., Zhang H., X. Jia A Novel False Alarm Suppression Method for CNN-Based SAR Ship Detector. IEEE Geoscience and Remote Sensing Letters. 2021;18(8):1401-1405. DOI: 10.1109/LGRS.2020.2999506 EDN: CREDEN
46. Lin Z., Ji K., Leng X., Kuang G. Squeeze and Excitation Rank Faster R-CNN for Ship Detection in SAR Images. IEEE Geoscience and Remote Sensing Letters. 2019;16(5):751-755. DOI: 10.1109/LGRS.2018.2882551
47. Ke X., Zhang X., Zhang T., Shi J., Wei S. SAR Ship Detection Based on an Improved Faster R-CNN Using Deformable Convolution. 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS. 11-16 July 2021. Brussels, Belgium. IEEE; 2021. Pp. 3565-3568. DOI: 10.1109/IGARSS47720.2021.9554697
48. Dong G., Kuang G. Target Recognition in SAR Images via Classification on Riemannian Manifolds. IEEE Geoscience and remote sensing letters. 2015;12(1):199-203. DOI: 10.1109/LGRS.2014.2332076
49. Yan F., Mei W., Chunqin Zh. SAR Image Target Recognition Based on Hu Invariant Moments and SVM. In: Proceedings of the Fifth International Conference on Information Assurance and Security. 18-20 August 2009. Xi’an, China. IEEE; 2009. Pp. 585-588. DOI: 10.1109/IAS.2009.289
50. Lu Z., Jiang G., Guan Yu., Wang Q., Wu Ji. A SAR Target Recognition Method Based on Decision Fusion of Multiple Features and Classifiers. Scientific Programming. 2021. Art. ID 1258219. DOI: 10.1155/2021/1258219
51. Fiscella B., Giancaspro A., Nirchio F., Pavese P., Trivero P. Oil spill detection using marine SAR images. International Journal of Remote Sensing. 2000;21(18):3561-3566. DOI: 10.1080/014311600750037589
52. Mountrakis G., Im Ju., Ogole C. Support vector machines in remote sensing: A review. Journal of Photogrammetry and Remote Sensing. 2010;66(3):247-259. DOI: 10.1016/j.isprsjprs.2010.11.001 EDN: YCAHDD
53. Parikh H., Patel S., Patel V. Classification of SAR and PolSAR images using deep learning: a review. International Journal of Image and Data Fusion. 2020;11(1):1-32. DOI: 10.1080/19479832.2019.1655489 EDN: UANCFD
54. Gierull C. H. Demystifying the Capability of Sublook Correlation Techniques for Vessel Detection in SAR Imagery. IEEE Transactions on Geoscience and Remote Sensing. 2019;57(4): 2031-2042. DOI: 10.1109/TGRS.2018.2870716
55. Ding B., Wen G., Huang X., Ma C., Yang X. Target Recognition in Synthetic Aperture Radar Images via Matching of Attributed Scattering Centers. IEEE Journal of selected topics in applied Earth observations and remote sensing. 2017;10(7):3334-3347. DOI: 10.1109/JSTARS.2017.2671919
56. Tanase R., Datcu M., Raducanu D. A Convolutional deep belief network for polarimetric SAR data feature extraction. 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). 10-15 July 2016. Beijing, China. IEEE; 2016. Pp. 7545-7548. DOI: 10.1109/IGARSS.2016.7730968
57. Ai J., Tian R., Luo Q., Jin J., Tang B. Multi-Scale Rotation-Invariant Haar-Like Feature Integrated CNN-Based Ship Detection Algorithm of Multiple-Target Environment in SAR Imagery. IEEE Transactions on Geoscience and Remote Sensing. 2019;57(12):10070-10087. DOI: 10.1109/TGRS.2019.2931308
58. Yuan X., Tang T., Xiang D., Li Y., Su Y. Target recognition in SAR imagery based on local gradient ratio pattern. International Journal of Remote Sensing. 2014;35(3):857-870. DOI: 10.1080/01431161.2013.873150
59. Ouchi K., Tamaki S., Yaguchi H., Iehara M. Ship Detection Based on Coherence Images Derived From Cross Correlation of Multilook SAR Images. IEEE Geoscience and remote sensing letters. 2004;1(3):184-187. DOI: 10.1109/LGRS.2004.827462
60. Iehara M., Ouchi K., Takami I., Morimura K., Kumano Sh. Detection of ships using cross-correlation of split-look SAR images. IGARSS 2001. Scanning the Present and Resolving the Future. Proceedings. IEEE 2001 International Geoscience and Remote Sensing Symposium. 9-13 July 2001. Sydney, NSW, Australia. IEEE; 2001. Vol. 4. Pp. 1807-1809. DOI: 10.1109/IGARSS.2001.977078
61. Wei J., Zhang J., Huang G., Zhao Z. On the Use of Cross-Correlation between Volume Scattering and Helix Scattering from Polarimetric SAR Data for the Improvement of Ship Detection. Remote Sensing. 2016;8(74):1-16. DOI: 10.3390/rs8010074
62. Marino A., Sanjuan-Ferrer M.J., Hajnsek I., Ouchi K. Ship Detection with Spectral Analysis of Synthetic Aperture Radar: A Comparison of New and Well-Known Algorithms. Remote sensing. 2015;7:5416-5439. DOI: 10.3390/rs70505416
63. Wang R., Shao S., An M., Li J., Wang S., Xu X. Soft Thresholding Attention Network for Adaptive Feature Denoising in SAR Ship Detection. IEEE Access. 2021;9:29090-29105. DOI: 10.1109/ACCESS.2021.3059033 EDN: FTSTUO
64. Liu C., Yang J., Zheng, J., Nie X. An Unsupervised Port Detection Method in Polarimetric SAR Images Based on Three-Component Decomposition and Multi-Scale Thresholding Segmentation. Remote Sensing. 2022;14(1):205. DOI: 10.3390/rs14010205
65. Chen X., Wang C. Ship Detection for Complex Background SAR Images Based on a Multiscale Variance Weighted Image Entropy Method. IEEE Geoscience and Remote Sensing Letters. 2017;14(2):184-187. DOI: 10.1109/LGRS.2016.2633548
66. Huo W., Huang Y., Pei J., Zhang Q., Gu Q., Yang J. Ship Detection from Ocean SAR Image Based on Local Contrast Variance Weighted Information Entropy. Sensors. 2018;18(4):1196. DOI: 10.3390/s18041196
67. Messina M., Greco M., Fabbrini L., Pinelli G. Modified Otsu’s algorithm: A new computationally efficient ship detection algorithm for SAR images. 2012 Tyrrhenian Workshop on Advances in Radar and Remote Sensing (TyWRRS). 12-14 September 2012. Naples, Italy. IEEE; 2012. Pp. 262-266. DOI: 10.1109/TyWRRS.2012.6381140
68. Lang H., Xi Yu., Zhang X. Ship Detection in High-Resolution SAR Images by Clustering Spatially Enhanced Pixel Descriptor. IEEE Transactions on Geoscience and Remote Sensing. 2019;57(8):5407-5423. DOI: 10.1109/TGRS.2019.2899337
69. Proia N. and Pagé V. Characterization of a Bayesian Ship Detection Method in Optical Satellite Images. EEE Geoscience and Remote Sensing Letters. 2010;7(2):226-230. DOI: 10.1109/LGRS.2009.2031826
70. Pappas O., Achim A., Bull D. Superpixel-Level CFAR Detectors for Ship Detection in SAR Imagery. IEEE Geoscience and Remote Sensing Letters. 2018;15(9):1397-1401. DOI: 10.1109/LGRS.2018.2838263
71. Wang C., Bi F., Zhang W., Chen L. An Intensity-Space Domain CFAR Method for Ship Detection in HR SAR Images. IEEE Geoscience and Remote Sensing Letters. 2017;14(4):529-533. DOI: 10.1109/LGRS.2017.2654450
72. Wang C., Bi F., Zhang W., Chen L. An Improved Iterative Censoring Scheme for CFAR Ship Detection With SAR Imagery. IEEE Transactions on Geoscience and Remote Sensing. 2014;52(8):4585-4595. DOI: 10.1109/LGRS.2017.2654450
73. Ai J., Qi X., Yu W., Deng Y., Liu F., Shi L. A New CFAR Ship Detection Algorithm Based on 2-D Joint Log-Normal Distribution in SAR Images. IEEE Geoscience and Remote Sensing Letters. 2010;7(4):806-810. DOI: 10.1109/LGRS.2010.2048697
74. Xiao Q., Cheng Yu., Xiao M., Zhang Ju., Hongji Sh., Niu L., et al. Improved region convolutional neural network for ship detection in multiresolution synthetic aperture radar images. Concurrency and Computation Practice and Experience. 2020;32(22):1-10. DOI: 10.1002/cpe.5820 EDN: RWGTWP
75. Kang M., Leng X., Lin Z., Ji K. A modified faster R-CNN based on CFAR algorithm for SAR ship detection. 2017 International Workshop on Remote Sensing with Intelligent Processing (RSIP). 18-21 May 2017. Shanghai, China. IEEE; 2017. Pp. 1-4. DOI: 10.1109/RSIP.2017.7958815
76. Stagliano D., Lupidi A., Berizzi F. Ship detection from SAR images based on CFAR and wavelet transform. 2012 Tyrrhenian Workshop on Advances in Radar and Remote Sensing (TyWRRS). 12-14 September 2012. Naples, Italy. IEEE; 2012. DOI: 10.1109/TyWRRS.2012.6381102
77. Schwegmann C. P., Kleynhans W., Salmon B. P., Mdakane L. A CA-CFAR and localized wavelet ship detector for Sentinel-1 imagery. 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). 26-31 July 2015. Milan, Italy. IEEE; 2015. Pp. 3707-3710. DOI: 10.1109/IGARSS.2015.7326628
78. Ma B., Yang H., Yang J. Ship Detection in Spaceborne SAR Images under Radio Interference Environment Based on CFAR. Electronics. 2022;11(24):4135. DOI: 10.3390/electronics11244135
79. Wang C., Liao M., Li X. Ship Detection in SAR Image Based on the Alpha-stable. Sensors. 2008;8(8):4948-4960. DOI: 10.3390/s8084948 EDN: YATCDL
80. Cui X.-C., Su Y., Chen S.-W. A Saliency Detector for Polarimetric SAR Ship Detection Using Similarity Test. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2019;12(9):3423-3433. DOI: 10.1109/JSTARS.2019.2925833
81. Cheng J., Xiang D., Tang J., Zheng Y., Guan D.; Du B. Inshore Ship Detection in Large-Scale SAR Images Based on Saliency Enhancement and Bhattacharyya-like Distance. Remote Sensing. 2022;14(12):2832. DOI: 10.3390/rs14122832 EDN: EXPMOR
82. Plan L., Liu D., Guan D. Ship detection in SAR images by saliency analysis of multiscale superpixels. Remote Sensing Letters. 2022;13(7):708-715. DOI: 10.1080/2150704X.2022.2068988 EDN: OMBZGE
83. Liang Y., Sun K., Zeng Y., Li G., Xing M. An Adaptive Hierarchical Detection Method for Ship Targets in High-Resolution SAR Images. Remote Sensing. 2020;12(2):303. DOI: 10.3390/rs12020303 EDN: NAVTEF
84. Zhang C., Liu P., Wang H., Jin Y. Saliency-Based Centernet for Ship Detection in SAR. IGARSS 2022-2022 IEEE International Geoscience and Remote Sensing Symposium. 17-22 July 2022. Kuala Lumpur, Malaysia. IEEE; 2022. Pp. 1552-1555. DOI: 10.1109/IGARSS46834.2022.9883396
85. Xu Ch., Yin Ch., Wang D., Han W. Fast ship detection combining visual saliency and a cascade CNN in SAR images. IET Radar, Sonar and Navigation. 2020;14(12):1879-1887. DOI: 10.1049/iet-rsn.2020.0113 EDN: UFBQCO
86. Zhang P., Luo H., Ju M., He M., Chang Z., Hui B. Brain-Inspired Fast Saliency-Based Filtering Algorithm for Ship Detection in High-Resolution SAR Images. IEEE Transactions on Geoscience and Remote Sensing. 2022;60:1-9. DOI: 10.1109/TGRS.2021.3053257
87. Liu Y., Zhang M.-H., Xu P., Guo Z. SAR ship detection using sea-land segmentation-based convolutional neural network. 2017 International Workshop on Remote Sensing with Intelligent Processing (RSIP). 18-21 May 2017. Shanghai, China. IEEE; 2017. Pp. 1-4. DOI: 10.1109/RSIP.2017.7958806
88. Nie T., He B., Bi G., Zhang Y., Wang W. A Method of Ship Detection under Complex Background. International Journal of Geo-Information. 2017;6(6):159. DOI: 10.3390/ijgi6060159
89. Hu, J., Zhi, X., Zhang, W., Ren, L., & Bruzzone, L. Salient Ship Detection via Background Prior and Foreground Constraint in Remote Sensing Images. Remote Sensing. 2020;12(20):3370. DOI: 10.3390/rs12203370 EDN: HISRUV
90. Hu J., Zhi X., Zhang W., Ren L., Bruzzone L. New Hierarchical Saliency Filtering for Fast Ship Detection in High-Resolution SAR Images. IEEE Transactions on Geoscience and Remote Sensing. 2017;55(1):351-362. DOI: 10.1109/TGRS.2016.2606481
91. Li N., Pan X., Yang L., Huang Z., Wu Z., Zheng G. Adaptive CFAR Method for SAR Ship Detection Using Intensity and Texture Feature Fusion Attention Contrast Mechanism. Sensors. 2022;22(21):8116. DOI: 10.3390/s22218116 EDN: CSRTRH
92. Li N., Pan X., Yang L., Huang Zh., Wu Zh., Zheng G. Inshore Ship Detection Based on Level Set Method and Visual Saliency for SAR Images. Sensors. 2018;18(11):3877. DOI: 10.3390/s18113877
93. Yang M., Guo C., Zhong H., Yin H. A Curvature-Based Saliency Method for Ship Detection in SAR Images. IEEE Geoscience and Remote Sensing Letters. 2021;18(9):1590-1594. DOI: 10.1109/LGRS.2020.3005197 EDN: YHYYDU
94. Song S., Xu B., Yang J. Ship Detection in Polarimetric SAR Images via Variational Bayesian Inference. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2017;10(6):2819-2829. DOI: 10.1109/JSTARS.2017.2687473
95. Wang Z., Du L., Su H. Target Detection via Bayesian-Morphological Saliency in High-Resolution SAR Images. IEEE Transactions on Geoscience and Remote Sensing. 2017;55(10):5455-5466. DOI: 10.1109/TGRS.2017.2707672
96. Yang R., Pan Zh., Jia X., Zhang L., Deng Yu. Ship detection in SAR images based on Bayesian classifier and improved data augmentation. IEEE International Geoscience and Remote Sensing Symposium. 28 July - 2 August 2019. Yokohama, Japan. IEEE; 2019.
97. Kim K., Hong S., Choi B., Kim E. Probabilistic Ship Detection and Classification Using Deep Learning. Applied Sciences. 2018;8(6):936. DOI: 10.3390/app8060936
98. Su X., Yang G., Sang H. Ship Detection in Polarimetric SAR Based on Support Vector Machine. Research Journal of Applied Sciences, Engineering and Technology. 2012;4(18):3448-3454.
99. Baek W.-K., Jung H.-S. Performance Comparison of Oil Spill and Ship Classification from X-Band Dual- and Single-Polarized SAR Image Using Support Vector Machine, Random Forest, and Deep Neural Network. Remote Sensing. 2021;13(16):3203. DOI: 10.3390/rs13163203 EDN: HJMFIB
100. Wang Y., Rajesh G., Mercilin Raajini X., Kritika N., Kavinkumar A., Shah Syed Bilal H. Machine Learning-based Ship Detection and Tracking Using Satellite Images for Maritime Surveillance. Journal of Ambient Intelligence and Smart Environments. 2021;13(5):361-371. DOI: 10.3233/AIS-210610 EDN: PYDQSM
101. Yang X., Zhang J., Chen C., Yang D. An Efficient and Lightweight CNN Model With Soft Quantification for Ship Detection in SAR Images. IEEE Transactions on Geoscience and Remote Sensing. 2022;60:1-13. DOI: 10.1109/TGRS.2022.3186155
102. He J., Wang Y., Liu H. Ship Classification in Medium-Resolution SAR Images via Densely Connected Triplet CNNs Integrating Fisher Discrimination Regularized Metric Learning. IEEE Transactions on Geoscience and Remote Sensing. 2021;59(4):3022-3039. DOI: 10.1109/TGRS.2020.3009284 EDN: UKNZDH
103. Zhang T., Zhang X. High-Speed Ship Detection in SAR Images Based on a Grid Convolutional Neural Network. Remote Sensing. 2019;11(10):1206. DOI: 10.3390/rs11101206
104. Li J., Qu C., Shao J. Ship detection in SAR images based on an improved faster R-CNN. 2017 SAR in Big Data Era: Models, Methods and Applications (BIGSARDATA). 13-14 November 2017. Beijing, China. IEEE; 2017. Pp. 1-6. DOI: 10.1109/BIGSARDATA.2017.8124934
105. Li Y., Zhang S., Wang W. -Q. A Lightweight Faster R-CNN for Ship Detection in SAR Images. IEEE Geoscience and Remote Sensing Letters. 2022;19:1-5. DOI: 10.1109/LGRS.2020.3038901 EDN: WRJIYG
106. Zhang T., Zhang X., Li J., Xu X., Wang B., Zhan X., et al. SAR Ship Detection Dataset (SSDD): Official Release and Comprehensive Data Analysis. Remote Sensing. 2021;13(18):3690. DOI: 10.3390/rs13183690 EDN: ERYFPO
107. Courmontagne P. An improvement of ship wake detection based on the radon transform. Signal Processing. 2005;85(8):1634-1654. DOI: 10.1016/j.sigpro.2005.02.013
108. Copeland A. C., Ravichandran G., Trivedi M. M. Localized Radon Transform-Based Detection of Ship Wakes in SAR Images. IEEE Transactions on Geoscience and Remote Sensing. 1995;33(1):35-45. DOI: 10.1109/36.368224
109. Tello M., Lopez-Martinez C., Mallorqui J. J. Novel Algorithm for Ship Detection in SAR Imagery Based on the Wavelet Transform. IEEE Geoscience and Remote Sensing Letters. 2005;2(2):201-205. DOI: 10.1109/LGRS.2005.845033
110. Tings B., Pleskachevsky A., Velotto D., Jacobsen S. Extension of Ship Wake Detectability Model for Non-Linear Influences of Parameters Using Satellite Based X-Band Synthetic Aperture Radar. Remote Sensing. 2019;11(5):563. DOI: 10.3390/rs11050563
111. Xue F., Jin W., Qiu S., Yang Ji. Rethinking automatic ship wake detection: stateof-the-art CNN-based wake detection via optical images. IEEE Transactions on Geoscience and Remote Sensing. 2022;60:1-22. DOI: 10.1109/TGRS.2021.3128989
112. Gao C., Tao R., Kang X. Weak Target Detection in the Presence of Sea Clutter Using Radon-Fractional Fourier Transform Canceller. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2021;14:5818-5830. DOI: 10.1109/JSTARS.2021.3078723 EDN: SOKHEU
113. Graziano M. D. Preliminary Results of Ship Detection Technique by Wake Pattern Recognition in SAR Images. Remote Sensing. 2020;12(18):2869. DOI: 10.3390/rs12182869 EDN: RKLCGH
114. Karakuş O., Rizaev I., Achim A. Ship Wake Detection in SAR Images via Sparse Regularization. IEEE Transactions on Geoscience and Remote Sensing. 2019;58(3):1665-1677. DOI: 10.1109/TGRS.2019.2947360 EDN: ZBQRJB
115. Hwang J.-I., Jung H.-S. Automatic Ship Detection Using the Artificial Neural Network and Support Vector Machine from X-Band Sar Satellite Images. Remote Sensing. 2018;10(11)1799-1817. DOI: 10.3390/rs10111799 EDN: CDTLZV
Выпуск
Другие статьи выпуска
В статье проведен обзор 50 докладов, связанных с развитием электронной и радиоэлектронной промышленности, которые обсуждались на 33-й Международной конференции «СВЧ-техника и телекоммуникационные технологии». Конференция состоялась в сентябре 2023 г. в городе Севастополь. В обзор включены доклады по научным направлениям журнала, представленные учеными университетов, НИИ и предприятий трех стран: Беларуси, Вьетнама и России. Анализируется исследования, связанные с обеспечением технологического прорыва в радиоэлектронной промышленности, развитие современных инфокоммуникационных технологий в гражданской, военной и космической отраслях.
В статье рассмотрены проблемы загрязнения окружающей среды и требования к приборам и системам измерения запыленности. Показано, что среди проблем защиты окружающей среды наиболее актуальной является охрана воздушного бассейна. Пыль относится к одному из самых распространенных видов промышленных отходов. На здоровье людей влияет не только вид пыли, размер частиц и минералогический состав, но и продолжительность ее воздействия. Поэтому от приборов и систем для контроля атмосферных загрязнений требуется высокая чувствительность. Проблема загрязнения окружающей среды может быть решена только с помощью автоматических, непрерывно действующих анализаторов. Целесообразно разрабатывать и внедрять портативные пороговые сигнализаторы, обладающие значительно меньшей стоимостью, чем стоимость автоматических средств контроля и измерения. В статье приводится описание принципа работы оптоэлектронного устройства контроля степени запыленности в помещениях джиннирования хлопка, которое позволяет одновременно измерять показатель ослабления (экстинкции) и рассеяния света одной и той же проходящей массы аэрозоля. Выполнен расчет удельных коэффициентов поглощения и рассеивания в цехах джиннирования хлопкоочистительных заводов. Приведены экспериментальные кривые отношения коэффициентов поглощения и ослабления в зависимости от пребывания аэрозоли в оптоэлектронном устройстве. Показаны способы снижения погрешности измерения.
Проблема определения размеров, занимаемых радиолокационным изображением (РЛИ) пространственно-распределенной цели (ПРЦ) на двумерной растровой картинке наблюдаемого участка земной (водной) поверхности, формируемой космическим радиолокатором с синтезированной апертурой, актуальна в самых различных задачах космического мониторинга. В данной работе названная проблема решается применительно к определению размеров РЛИ надводных кораблей на фоне отражений от морской поверхности. В качестве моделей РЛИ используются как феноменологические, так и реальные, основанные на базе SSDD. Принятие решения о размерах НК производится как классическими (параметрическими и непараметрическими) алгоритмами, так и алгоритмами, основанными на машинном обучении с использованием искусственных нейронных сетей. Приведены результаты сравнительного анализа названных алгоритмов.
Благодаря развитию радиоэлектроники, вычислительной техники, в радиолокационной метеорологии сформировалось направление, связанное с разработкой методов и средств дистанционного измерения вертикального профиля ветра в атмосфере путем определения доплеровского смещения частоты отраженного сигнала от метеорологических неоднородностей. В статье дается краткий обзор применения радиолокаторов параметров ветра (профайлеров), которые работают в дециметровом диапазоне длин волн (400-1700 МГц), поскольку именно в этом диапазоне наиболее полно определяются параметры ветра в условиях абсолютно ясного неба. Рассматривается распространение профайлеров по странам и континентам, приводятся их основные технические характеристики, а также описывается современное состояние в Российской Федерации.
Особенностью ультракоротких волн является тот факт, что на их распространение оказывают влияние погодные условия. Метеорологические неоднородности атмосферы вызывают искривление (рефракцию) траектории луча УКВ. Измерения метеопараметров на h1 = 2 и h2 = 10 м проводились с использованием атмосферно-почвенного измерительного комплекса, установленного в прибрежной зоне Больших Еравнинских озер Республики Бурятия на Лесостепном мерзлотно-экологическом стационаре «Еравнинский». Установлено, что в нижнем десятиметровом слое тропосферы наблюдается сильная суточная изменчивость градиента рефракции и разброс значений градиента рефракции составляет от -0,820 до +0,307 N-единиц. Обнаружено, что в летнее время в данной местности наблюдаются метеорологические условия, благоприятствующие появлению сверхрефракции.
Издательство
- Издательство
- УрФУ
- Регион
- Россия, Екатеринбург
- Почтовый адрес
- 620002, Свердловская область, г. Екатеринбург, ул. Мира, д. 19
- Юр. адрес
- 620002, Свердловская область, г. Екатеринбург, ул. Мира, д. 19
- ФИО
- Кокшаров Виктор Анатольевич (Ректор)
- E-mail адрес
- rector@urfu.ru
- Контактный телефон
- +7 (343) 3754507
- Сайт
- https://urfu.ru/ru