深度学习遥感影像近岸舰船识别方法

发布时间：2021-01-29 16:18

　　针对复杂背景近岸舰船检测与细粒度识别难题,提出了一种基于深度学习的新型端到端目标识别框架,可有效检测与识别任意方向的舰船目标。针对舰船目标短边尺度较小问题,提出了角度致密化的预设框设置方法,提高了候选区域生成时的召回率;采用改进方位敏感型区域插值池化,减少了坐标量化误差,实现了舰船局部区域特征的精确建模;利用注意力机制下的全局与局部特征区域级融合方法,提升了区域特征的类别判别能力,解决了细粒度舰船识别难题;针对舰船样本稀缺性问题,使用迁移学习提升了模型性能。构建了一个含有25类近岸舰船目标的细粒度数据集,与传统学习模型相比召回率提高2%,平均识别精度提高3%,对复杂背景下目标识别具有重要实用价值。 

【文章来源】：遥感信息. 2020,35(02)北大核心

【文章页数】：8 页

【部分图文】：

本文算法流程图

图1 本文算法流程图式中：B为mini-batch集合；Lcls为分类交叉熵损失函数；Lreg为坐标偏差损失；p为预测的概率分布；y为对应样本的真实标签；t和t*分别对应预测的坐标偏移量和真实坐标偏差。有向检测框的参数化形式和回归偏差的定义与文献[5]保持一致。

为了检测任意方向的舰船目标，我们在空间上新增加了一个维度的离散化，即角度离散化。但现有的方法[4]往往针对所有尺度的预设框设置相同密度的角度离散化，使得小尺度目标匹配到的预设框数量不足的问题更加严重。如图3(b）所示，对于相同幅度的角度变化，小尺度目标与预设框的交并比（intersection over union,IoU）变化更为敏感。因此为了增加短边较小的舰船目标匹配到的预设框数量，进而提升小型舰船目标的检测率，本文创新性地提出角度致密化的预设框设置策略，即将短边长度最小的6个预设框增加一倍的角度，如图4(a）所示，其中虚线表示新增加的预设框。经过角度致密化，小尺度舰船匹配到的预设框平均数量大大增加，如图4(b）所示。图4 角度致密化及其影响

【参考文献】：
期刊论文
[1]深度学习在目标视觉检测中的应用进展与展望[J]. 张慧,王坤峰,王飞跃.  自动化学报. 2017(08)
[2]局部显著特征下的光学遥感图像舷靠舰船检测[J]. 李轩,刘云清,卞春江,毛博年.  中国图象图形学报. 2016(05)



本文编号：3007185