《表2 Fusion2的融合结构》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于RetinaNet的SAR图像舰船目标检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文提出了一种新的特征融合网络，其结构如图3所示.Fusion1和Fusion2为特征融合单元，Fusion1以适当的方式融合3层不同表征能力的特征图，提取了更多Sar图像的潜在特征，生成更准确的特征金字塔.Fusion2将金字塔相邻的不同尺度的特征图进行融合，建立了深浅层之间的耦合关系.其结构参数分别如表1（以Conv6和Conv9的生成为例）和表2所示.Fusion1对ResNet的Conv2、Con3、Conv4和Conv5层后3个block分别进行1×1同纬度的卷积运算，而后并联在一起并再次通过1×1的卷积对有效信息进行融合，生成了Conv6、Conv7、Conv8和Conv9.这4个特征信息更丰富和准确的特征层，感受野逐渐变大，特征的细粒度也逐渐减小.其中Conv6是从Conv2特征图中融合得到，包含更多的目标细节信息，因此其对小目标更敏感，对目标的定位更有效.Fusion2结构在新的金字塔结构上建立了深层特征到浅层特征的链接.对小尺寸的特征图首先进行双线性插值，而后通过1×1卷积跨通道地整合信息并降低特征层维度，通过3×3的卷积减少特征图的结构误差，最后与经过1×1卷积的低维特征图融合.融合过程采用相加的方式，3×3的卷积是为消除混叠效应.相比于原始网络的FPN结构，本网络的输出层提取了更浅层的特征信息，各特征图的尺度为原输出特征图的4倍.