A-FPN算法及其在遥感图像船舶检测中的应用

发布时间：2021-01-19 21:26

　　光学遥感图像船舶检测主要面临两个挑战:光学遥感图像背景复杂,船舶检测易受海浪、云雾及陆地建筑等多方面干扰;遥感图像分辨率低,船舶目标小,对于其分类与定位带来很大困难;针对上述问题,在FPN的基础上,提出一种融入显著性特征的卷积神经网络模型A-FPN （Attention-Based Feature Pyramid Networks）。首先,利用卷积提取图像特征金字塔;然后,利用顶层金字塔逐级构建显著特征层,抑制背景信息,通过金字塔顶层的细粒度特征提高浅层特征的表达能力,构建自上而下的多级显著特征映射结构;最后利用Softmax分类器进行多层级船舶检测。A-FPN模型利用显著性机制引导不同感受下的特征进行融合,提高了模型的分辨能力,对遥感图像处理领域具有重要应用价值。实验阶段,利用公开的遥感目标检测数据集NWPU VHR-10中的船舶样本进行测试,准确率为92.8%,表明A-FPN模型适用于遥感图像船舶检测。 

【文章来源】：遥感学报. 2020,24(02)北大核心

【文章页数】：9 页

【部分图文】：

算法流程图

本文在构建卷积特征金字塔时参考FPN，采用ResNet结构，其残差模块有模块1和模块2两种形式，如图2所示，模块1将输入X1直接与卷积后的输出F(X1)相加，模块2采用{1×1,3×3,1×1}形式的卷积，并且由于模块2内部存在升维操作，因此对输入X2做1×1卷积的升维处理，然后与输出F(X2)相加。本文在构建特征金子塔时选择模块2。2.2 显著性特征网络原理

图3绿色虚线和紫色虚线分别表示两种不同掩码图的计算原理。其中Gp,c(x)表示利用深层特征上采样得到与原浅层特征尺寸相同的上采样特征，图中红色虚线的部分表示Gp,c(x)中2维空间一点在其所有通道上的数据。图3中的Sigmoid函数属于归一化‘S’形曲线，将多维空间（2维几何空间p与‘多维光谱空间’c）每一点x归一化，因此Gp,c(x)1属于混合全空间掩码，Np,c(x)2在每一个2维空间位置，在其‘多维光谱空间’c中，利用Softmax函数将其归一化，属于‘多维光谱掩码’，最后经过实际测试，如表1所示，Np,c(x)1在NWPU VHR-10测试集的调和均值F为92.8%，而Np,c(x)2只有88.0%，因此本文采用第一种掩码图。

【参考文献】：
期刊论文
[1]SAR图像复合分布船只检测模型[J]. 陈鹏,刘仁义,黄韦艮.  遥感学报. 2010(03)
[2]基于引力场增强的SAR图像舰船检测方法研究[J]. 田巳睿,孙根云,王超,张红.  遥感学报. 2007(04)



本文编号：2987743