复杂场景下遥感船舶的检测与分割定位

发布时间：2021-10-24 03:36

　　遥感图像船舶识别是目标识别的一个重要领域,在海防和救援方面具有重大应用价值.但遥感图像中的船舶普遍存在云雾遮挡、陆地背景干扰和体积小等因素所造成的识别难的问题.为了能准确识别复杂场景下船舶目标,在网络的特征提取部分加入了视觉注意机制,增强网络提取船舶特征信息的能力;并采用多级特征提取和去量化操作的学习方法来解决船舶体积小的问题;采用难样本重学习的学习策略来弱化云雾遮挡和陆地背景的干扰.通过上述方法,船舶识别的综合准确率达到了92.56%,召回率达到了89.26%,与相同实验环境（PyTorch）下其他常见目标检测算法相比,精确率和召回率都有明显提升.实验结果表明,文中方法在一定程度上解决了复杂场景下船舶分割和识别难的问题.实验中所使用代码和部分结果详见https://github.com/curioyang/First_paper. 

【文章来源】：计算机辅助设计与图形学学报. 2020,32(03)北大核心EICSCD

【文章页数】：14 页

【部分图文】：

船舶检测网络结构

476计算机辅助设计与图形学学报第32卷图5融入视觉注意机制的多级特征识别效果图图6RPN工作流程图1.2.2难样本选择用难样本(置信度小于一定阈值的样本)进行训练可以提高网络的目标识别能力,尤其是识别复杂场景下目标的能力.RPN会给出每个待检测船舶区域的分类置信度,当船舶存在的置信度大于0.7时,将当前待检测区域划分为正常船舶样本,该策略称为常规船舶样本筛选.当船舶存在的置信度为[0.3,0.5]时,将该待检测区域划分为困难船舶样本,该策略称为难样本筛选.如图1所示,在第1阶段训练时,RPN仅选择出常规船舶样本进行

476计算机辅助设计与图形学学报第32卷图5融入视觉注意机制的多级特征识别效果图图6RPN工作流程图1.2.2难样本选择用难样本(置信度小于一定阈值的样本)进行训练可以提高网络的目标识别能力,尤其是识别复杂场景下目标的能力.RPN会给出每个待检测船舶区域的分类置信度,当船舶存在的置信度大于0.7时,将当前待检测区域划分为正常船舶样本,该策略称为常规船舶样本筛选.当船舶存在的置信度为[0.3,0.5]时,将该待检测区域划分为困难船舶样本,该策略称为难样本筛选.如图1所示,在第1阶段训练时,RPN仅选择出常规船舶样本进行

【参考文献】：
期刊论文
[1]甚高速区域卷积神经网络的船舶视频检测方法[J]. 杨名,阮雅端,陈林凯,张鹏,陈启美.  北京邮电大学学报. 2017(S1)
[2]基于卷积神经网络的遥感图像舰船目标检测[J]. 黄洁,姜志国,张浩鹏,姚远.  北京航空航天大学学报. 2017(09)
[3]BP神经网络联合模板匹配的车牌识别系统[J]. 呙润华,苏婷婷,马晓伟.  清华大学学报(自然科学版). 2013(09)
[4]基于模板匹配法的字符识别算法研究[J]. 李新良.  计算技术与自动化. 2012(02)
[5]一种适应户外光照变化的背景建模及目标检测方法[J]. 赵旭东,刘鹏,唐降龙,刘家锋.  自动化学报. 2011(08)
[6]融合光流速度与背景建模的目标检测方法[J]. 张水发,张文生,丁欢,杨柳.  中国图象图形学报. 2011(02)



本文编号：3454497