《表1 本文实验结果Tab.1 The experimental results》

  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

《全卷积神经网络应用于SAR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

训练得到的网络模型对目标切片测试结果如图9所示，表明网络能较好完成像素分类问题。对3幅大场景图像测试结果如表1所示，检测结果如图10~12。从实验1和实验3的结果可以看出，网络训练时由于缺少复杂背景杂波的先验信息，难以避免背景杂波的干扰，出现了较多的虚警目标；实验2和实验4由于数据集2包含了部分背景杂波样本，网络利用背景杂波的先验信息能有效避免背景杂波的干扰，大大降低了虚警率，在场景2和场景3的检测中，虽然检测网络未获得改场景的背景先验信息，但由于该场景都属于农场，与场景1具有一定的相似性，场景3相对于虚警目标较多，主要原因在于场景1与场景2属于林场，而场景3属于草场，网络对于林场的特征辨别能力更强。实验1和实验2都出现了个别目标漏检的情况，实验3和实验4的标签样本包含了阴影区域，使得网络能同时实现对目标及其阴影区域检测，提高了目标检测概率，避免了目标的漏检，降低了由于目标漏检造成的高代价。4个对比实验结果可以看出，实验4采用的数据集在保证目标全部检测的同时有效降低了虚警率，检测性能最佳。