遥感影像船舶检测的特征金字塔网络建模方法

发布时间：2021-02-17 12:19

　　船舶作为海上运输载体,其准确检测在海洋环境保护、海上渔业生产管理、海上交通与应急处置及国防安全应用中都具有重要意义和价值。目前基于目标检测网络的遥感船舶检测方法因末层特征分辨率不足和卷积固定的几何结构,导致网络难以适应小尺度且具有随机朝向、形态多变特征的船舶目标,进而限制船舶检测精度。针对该问题,本文提出一种用于遥感影像船舶检测的特征金字塔网络建模方法。首先引入形变卷积/RoI池化模块,以适应朝向和形态多变的船舶目标;其次借鉴在小目标检测中性能出色的特征金字塔网络的建模思想,采用对称式网络和多尺度特征融合的方式进一步融合高级语义和低级空间信息,提升小尺度目标特征分辨率。在40 000幅、船舶目标67 280余个的遥感影像数据集上的试验结果表明,本文方法能够有效集成形变卷积/RoI池化和多尺度特征融合方法,相较传统CNN船舶检测方法取得明显提升,在准确率、召回率及F₁指标上分别达到85.8%、97.9%和91.5%。 

【文章来源】：测绘学报. 2020,49(06)北大核心

【文章页数】：11 页

【部分图文】：

对称式形变特征金字塔网络结构

y(p 0 )= ∑ p n ∈R w (p n )?x(p 0 +p n ) (2)形变卷积通过对卷积核中每个采样点的位置都增加一个2维偏移量使卷积核形状适应物体形状,此偏移量利用一个卷积层从输入特征图学到,偏移量和输入特征图共同输入到后一个卷积层。形变卷积为每个特征点增加偏移量Δpn,其中 {Δp n | n=1,?,Ν } ,Ν=|R| ,输出可表示为

y(i,j)= ∑ p n ∈bin(i,j) w (p n )?x(p 0 +p n + Δp i,j )/n i,j ?????? ??? (8)图4 池化操作的感受野

【参考文献】：
期刊论文
[1]基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测[J]. 邓志鹏,孙浩,雷琳,周石琳,邹焕新.  测绘学报. 2018(09)
[2]基于可变形卷积神经网络的遥感影像密集区域车辆检测方法[J]. 高鑫,李慧,张义,闫梦龙,张宗朔,孙显,孙皓,于泓峰.  电子与信息学报. 2018(12)
[3]基于U型卷积神经网络的航空影像建筑物检测[J]. 伍广明,陈奇,Ryosuke SHIBASAKI,郭直灵,邵肖伟,许永伟.  测绘学报. 2018(06)
[4]基于Ecogniton的光学遥感图像舰船目标检测[J]. 陈韬亦,陈金勇,赵和鹏.  无线电工程. 2013(11)



本文编号：3037976