深度學(xué)習(xí)遙感影像近岸艦船識(shí)別方法

王昌安，田金文，張強(qiáng)，張英輝

(1.華中科技大學(xué) 人工智能與自動(dòng)化學(xué)院，武漢 430074；2. 北京空間飛行器總體設(shè)計(jì)部，北京 100086)

0 引言

可見(jiàn)光遙感影像中的近岸艦船的檢測(cè)在海域安全、軍事偵查等方面具有重要的意義，相比于海洋背景下的艦船定位，近岸艦船的背景環(huán)境更加復(fù)雜，且船只往往緊密相鄰，尺度變化范圍大，在檢測(cè)問(wèn)題上更為困難；近岸艦船的細(xì)粒度識(shí)別有助于實(shí)現(xiàn)港口的精細(xì)化監(jiān)視、打擊隱藏于民船中的敵方艦船，但不同類(lèi)別的艦船目標(biāo)通常形態(tài)、顏色區(qū)分度不大，要實(shí)現(xiàn)準(zhǔn)確的細(xì)粒度判別具有很高的難度。

現(xiàn)有的近岸艦船檢測(cè)和識(shí)別方法大致可分為2類(lèi)：基于先驗(yàn)知識(shí)的傳統(tǒng)方法和基于分布式特征表示的深度學(xué)習(xí)方法。在傳統(tǒng)檢測(cè)方法的典型研究中，李軒等[1]利用海陸二值分割圖，結(jié)合直線段提取和船首定位進(jìn)行艦船檢測(cè)，最后基于幾何先驗(yàn)知識(shí)進(jìn)行目標(biāo)確認(rèn)；Li等[2]通過(guò)先檢測(cè)特征明顯的船頭，然后確定艦船主方向并進(jìn)行艦船輪廓的提取來(lái)實(shí)現(xiàn)近岸艦船檢測(cè)。近年來(lái)，基于深度學(xué)習(xí)的方法由于優(yōu)異的特征提取能力得到人們的廣泛關(guān)注，其中，Lin等[3]利用全卷積網(wǎng)絡(luò)的語(yǔ)義分割框架，將遙感影像分為海洋、陸地、船身和船首尾4類(lèi)，然后進(jìn)行艦船區(qū)域的提??；Yang等[4]改進(jìn)了有向目標(biāo)檢測(cè)網(wǎng)絡(luò)，提出利用密集連接的旋轉(zhuǎn)特征金字塔網(wǎng)絡(luò)實(shí)現(xiàn)了端到端的艦船檢測(cè)。綜合上述，已有的方法中常常受限于嚴(yán)格的先驗(yàn)知識(shí)以及較弱的特征表達(dá)，難以處理復(fù)雜背景環(huán)境的干擾，且不能實(shí)現(xiàn)艦船目標(biāo)的細(xì)粒度識(shí)別。因此，針對(duì)上述問(wèn)題，開(kāi)展相關(guān)研究是十分必要的。

本文提出了一種端到端的近岸艦船目標(biāo)檢測(cè)和細(xì)粒度識(shí)別算法框架。針對(duì)短邊較小的艦船目標(biāo)難以有效檢測(cè)的問(wèn)題，提出了角度致密化的預(yù)設(shè)框設(shè)置策略和旋轉(zhuǎn)方位敏感型區(qū)域插值池化模塊；采用基于注意力機(jī)制的區(qū)域級(jí)特征融合方法，提高了艦船目標(biāo)細(xì)粒度判別能力，通過(guò)引入遷移學(xué)習(xí)方法進(jìn)一步提升了模型性能。實(shí)驗(yàn)結(jié)果表明，所提算法可以有效識(shí)別多類(lèi)近岸艦船目標(biāo)，對(duì)目標(biāo)方向變化及背景干擾等都具有良好的魯棒性。

1 本文算法框架

本文的算法流程如圖1所示，首先針對(duì)艦船類(lèi)目標(biāo)角度分布多樣性的特點(diǎn)，使用旋轉(zhuǎn)候選區(qū)域生成網(wǎng)絡(luò)(rotation region proposal network，RRPN)[5]提取艦船目標(biāo)候選區(qū)域；然后通過(guò)旋轉(zhuǎn)區(qū)域池化模塊分別提取候選區(qū)域的局部和全局特征并進(jìn)行融合；最后進(jìn)行目標(biāo)分類(lèi)、檢測(cè)框調(diào)整和角度回歸，從而實(shí)現(xiàn)檢測(cè)框的定位和類(lèi)別的判別。該算法的網(wǎng)絡(luò)框架如圖2所示。

圖1 本文算法流程圖

圖2 本文算法的網(wǎng)絡(luò)框架

該網(wǎng)絡(luò)采用端到端的訓(xùn)練方式，第一階段和第二階段的損失函數(shù)形式一致，如式(1)～式(4)所示。

(1)

Lcls(p，y)=-lnpy

(2)

Lreg=smoothL1(t-t*)

(3)

(4)

式中：B為mini-batch集合；Lcls為分類(lèi)交叉熵?fù)p失函數(shù)；Lreg為坐標(biāo)偏差損失；p為預(yù)測(cè)的概率分布；y為對(duì)應(yīng)樣本的真實(shí)標(biāo)簽；t和t*分別對(duì)應(yīng)預(yù)測(cè)的坐標(biāo)偏移量和真實(shí)坐標(biāo)偏差。有向檢測(cè)框的參數(shù)化形式和回歸偏差的定義與文獻(xiàn)[5]保持一致。

下文將分別介紹本文提出的網(wǎng)絡(luò)框架所涉及的各個(gè)子模塊，包括使用角度致密化來(lái)生成候選區(qū)域、有利于建模艦船局部特征的方位敏感型區(qū)域插值池化模塊、基于注意力機(jī)制的特征融合子網(wǎng)絡(luò)以及利用預(yù)測(cè)層的權(quán)重映射來(lái)實(shí)現(xiàn)遷移學(xué)習(xí)的訓(xùn)練方法。

1.1 角度致密化的預(yù)設(shè)框設(shè)置

在典型的目標(biāo)檢測(cè)任務(wù)中，真實(shí)目標(biāo)往往會(huì)存在于圖像中的任意位置，并具有任意大小的尺度，傳統(tǒng)方法主要通過(guò)多尺度的滑動(dòng)窗口來(lái)實(shí)現(xiàn)目標(biāo)檢測(cè)。基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法，引入了預(yù)設(shè)框來(lái)對(duì)空間和尺度進(jìn)行離散化。但由于空間和尺度本質(zhì)的連續(xù)性，離散化容易使小尺度目標(biāo)匹配不到足夠多的預(yù)設(shè)框，從而無(wú)法召回。在艦船目標(biāo)的檢測(cè)中，也存在著類(lèi)似的問(wèn)題，如圖3(a)所示，艦船類(lèi)目標(biāo)通常具有較小短邊尺度(16～64)，同樣會(huì)由于與預(yù)設(shè)框的匹配程度較低而難以召回。

為了檢測(cè)任意方向的艦船目標(biāo)，我們?cè)诳臻g上新增加了一個(gè)維度的離散化，即角度離散化。但現(xiàn)有的方法[4]往往針對(duì)所有尺度的預(yù)設(shè)框設(shè)置相同密度的角度離散化，使得小尺度目標(biāo)匹配到的預(yù)設(shè)框數(shù)量不足的問(wèn)題更加嚴(yán)重。如圖3(b)所示，對(duì)于相同幅度的角度變化，小尺度目標(biāo)與預(yù)設(shè)框的交并比(intersection over union，IoU)變化更為敏感。因此為了增加短邊較小的艦船目標(biāo)匹配到的預(yù)設(shè)框數(shù)量，進(jìn)而提升小型艦船目標(biāo)的檢測(cè)率，本文創(chuàng)新性地提出角度致密化的預(yù)設(shè)框設(shè)置策略，即將短邊長(zhǎng)度最小的6個(gè)預(yù)設(shè)框增加一倍的角度，如圖4(a)所示，其中虛線表示新增加的預(yù)設(shè)框。經(jīng)過(guò)角度致密化，小尺度艦船匹配到的預(yù)設(shè)框平均數(shù)量大大增加，如圖4(b)所示。

圖3 艦船目標(biāo)特性分析

圖4 角度致密化及其影響

1.2 方位敏感型區(qū)域插值池化模塊

區(qū)域池化模塊被廣泛應(yīng)用在兩階段目標(biāo)檢測(cè)網(wǎng)絡(luò)中，用于從各種大小的感興趣區(qū)域(region of interest，RoI)中提取固定長(zhǎng)度的特征。區(qū)域池化模塊RoIPooling最初由He等[6]提出，并應(yīng)用在金字塔池化中，Mask RCNN[7]中對(duì)其進(jìn)行了改進(jìn)，提出了RoIAlign，利用坐標(biāo)插值的方式消除了坐標(biāo)整數(shù)量化帶來(lái)的誤差。R-FCN[8]將RoIPooling改進(jìn)為位置敏感型池化(position sensitive roi pooling，PsRoIPooling)，通過(guò)將位置信息編碼到不同的特征通道內(nèi)，既實(shí)現(xiàn)了不同候選區(qū)域的計(jì)算共享，也有利于候選區(qū)域局部特征的建模。LightHead RCNN[9]將位置敏感型池化改進(jìn)為PsRoIAlign，提升了池化精度。為了適應(yīng)任意方向目標(biāo)候選區(qū)域的角度多樣性，Ma等[5]提出了RotateRoIPooling，其對(duì)應(yīng)的可插值改進(jìn)版RotateRoIAlign被應(yīng)用在文獻(xiàn)[4]中，但都無(wú)法有效地建模艦船區(qū)域的局部特征。文獻(xiàn)[10]提出方位敏感型平均池化模塊(rotate position sensitive roi average pooling，RotatePsRoIAvgPooling)緩解了這個(gè)問(wèn)題，卻仍存在坐標(biāo)整數(shù)量化帶來(lái)的誤差問(wèn)題，同時(shí)由于在格子內(nèi)進(jìn)行采樣前，對(duì)格子進(jìn)行了矩形近似，這會(huì)在候選區(qū)域傾斜角度很大或者短邊尺度較小時(shí)帶來(lái)誤差。

結(jié)合以上研究，本文提出了方位敏感型區(qū)域插值池化模塊RotatePsRoIAlign來(lái)更精確地建模艦船目標(biāo)的局部特征。如圖5所示，其中+表示采樣點(diǎn)，箭頭表示采樣順序，該模塊具有以下特點(diǎn)：

1)旋轉(zhuǎn)不變。每個(gè)格子的采樣起始點(diǎn)和采樣方向與區(qū)域旋轉(zhuǎn)方向無(wú)關(guān)，確保學(xué)習(xí)過(guò)程的一致性。

2)不規(guī)則采樣。由于艦船目標(biāo)長(zhǎng)寬比較大，與目前多數(shù)池化模塊7像素×7像素的采樣大小不同，本模塊采用10像素×5像素的不規(guī)則采樣大小。

3)位置敏感。每個(gè)采樣格子在輸入特征圖的不同通道進(jìn)行采樣，顯式建模目標(biāo)不同位置的差異。

4)無(wú)整數(shù)量化。采樣時(shí)不對(duì)采樣坐標(biāo)進(jìn)行整數(shù)量化，而是通過(guò)雙線性插值得到采樣點(diǎn)特征值。

圖5 方位敏感型插值區(qū)域池化模塊

1.3 基于注意力機(jī)制的特征融合

對(duì)于細(xì)粒度類(lèi)別的艦船檢測(cè)和識(shí)別問(wèn)題，除了定位精度以外，艦船區(qū)域特征的判別能力對(duì)最終性能也有很大影響。為了提升艦船區(qū)域特征的細(xì)粒度判別能力，本文提出了基于注意力機(jī)制的區(qū)域級(jí)特征融合子網(wǎng)絡(luò)，如圖2所示。

該特征融合模塊主要由2個(gè)分支組成：主分支采用可以編碼上下文信息的旋轉(zhuǎn)區(qū)域插值池化模塊RotateRoIAlign，提取全局特征；輔助分支采用能夠建模局部信息的方位敏感型旋轉(zhuǎn)區(qū)域插值池化模塊RotatePsRoIAlign，提取局部特征，這兩類(lèi)特征往往具有很強(qiáng)的互補(bǔ)特性[11]。此外，由于不同細(xì)粒度類(lèi)別的艦船通常只有部分區(qū)域具有顯著差別。為了在沒(méi)有局部標(biāo)注信息的情況選出更具判別力的局部特征來(lái)進(jìn)行細(xì)粒度的識(shí)別，本文首先利用局部特征學(xué)習(xí)不同區(qū)域的重要性權(quán)重，然后基于注意力機(jī)制[12]對(duì)全局特征進(jìn)行重新加權(quán)，從而將2種特征有機(jī)地融合在一起。融合后的特征既有豐富的上下文信息，又具有局部的判別信息，能夠更好地完成細(xì)粒度識(shí)別的任務(wù)。為了減少該模塊的計(jì)算量，輔助分支的共享卷積層使用了大卷積核的可分離卷積層，卷積核大小分別為7像素×1像素和1像素×7像素。同時(shí)該模塊還引入殘差連接，以減輕Sigmoid函數(shù)的飽和性帶來(lái)的梯度消失問(wèn)題，從而幫助網(wǎng)絡(luò)的學(xué)習(xí)和優(yōu)化。

1.4 基于遷移學(xué)習(xí)的端到端訓(xùn)練

本文算法使用端到端的訓(xùn)練方式，根據(jù)艦船目標(biāo)的形狀和尺度分布，將超參數(shù)設(shè)置如下。

1)預(yù)設(shè)框尺度設(shè)置為64、128、256、512，長(zhǎng)寬比設(shè)置為3∶1、5∶1、7∶1，旋轉(zhuǎn)角度改為9個(gè)(-35°～125°平均劃分)。

2)第一階段與任一真實(shí)目標(biāo)IoU超過(guò)0.5且角度偏差小于15°的預(yù)設(shè)框設(shè)為正樣本；與所有真實(shí)目標(biāo)IoU都小于0.2的預(yù)設(shè)框設(shè)為負(fù)樣本。

3)第二階段批量大小設(shè)為256，正負(fù)樣本比例設(shè)為1∶1，正樣本IoU閾值設(shè)為0.4，池化大小改為10像素×5像素，全連接層隱藏單元大小為1 024。

4)訓(xùn)練圖像短邊設(shè)為640，初始學(xué)習(xí)率為0.001，使用動(dòng)量隨機(jī)梯度下降優(yōu)化算法迭代6 W步，學(xué)習(xí)率衰減系數(shù)為0.1，衰減步數(shù)為4 W、5 W、5.5 W、5.8 W步，權(quán)重衰減系數(shù)為5E-4。

研究[13]表明，相關(guān)任務(wù)之間的遷移學(xué)習(xí)可以加速目標(biāo)任務(wù)的學(xué)習(xí)，并提高目標(biāo)域的泛化能力，在目標(biāo)域數(shù)據(jù)集規(guī)模相對(duì)較小時(shí)，遷移學(xué)習(xí)可以有效地提升目標(biāo)任務(wù)的性能。本文提出了一種同類(lèi)任務(wù)間的預(yù)測(cè)層權(quán)重遷移方法，可以用遙感影像中其他類(lèi)別的目標(biāo)標(biāo)注信息[14](源域)輔助艦船類(lèi)目標(biāo)(目標(biāo)域)的檢測(cè)任務(wù)。由于源域和目標(biāo)域目標(biāo)的尺度和長(zhǎng)寬比分布不一致，因此我們?cè)赗RPN階段采用了不同的預(yù)設(shè)框設(shè)置，并使用獨(dú)立的預(yù)測(cè)權(quán)重生成候選區(qū)域。針對(duì)源域和目標(biāo)域類(lèi)別數(shù)不同的問(wèn)題，本文在第二階段使用了權(quán)重遷移的方法進(jìn)行參數(shù)共享，如圖6所示，首先提取源域的預(yù)測(cè)層權(quán)重，通過(guò)可學(xué)習(xí)的線性映射變換為目標(biāo)域預(yù)測(cè)權(quán)重，最后在目標(biāo)域使用映射權(quán)重進(jìn)行艦船檢測(cè)和識(shí)別。除RRPN預(yù)測(cè)層權(quán)重進(jìn)行隨機(jī)初始化外，網(wǎng)絡(luò)其余部分的權(quán)重直接從源域遷移到目標(biāo)域。

圖6 權(quán)重遷移預(yù)測(cè)模塊

2 實(shí)驗(yàn)分析

2.1 數(shù)據(jù)集

由于沒(méi)有標(biāo)準(zhǔn)的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)結(jié)果性能評(píng)價(jià)，本文實(shí)驗(yàn)利用了實(shí)驗(yàn)室自建的影像數(shù)據(jù)，圖像分辨率為1 m左右，每張圖像長(zhǎng)寬比在1 000～3 000之間，對(duì)數(shù)據(jù)集進(jìn)行隨機(jī)數(shù)據(jù)增強(qiáng)，引入顏色變換、旋轉(zhuǎn)變換、區(qū)域裁切等操作(分辨率保持不變)，最終獲取有效訓(xùn)練樣本4 926張，大小均為480像素×640像素。

實(shí)驗(yàn)數(shù)據(jù)集中所有標(biāo)注船只被分成了包括軍艦、航母、民船等在內(nèi)的25個(gè)類(lèi)別，表1列出了訓(xùn)練數(shù)據(jù)集中的主要一些細(xì)分類(lèi)別及對(duì)應(yīng)的實(shí)例數(shù)量。圖7展示了各細(xì)分類(lèi)別的典型樣本縮略圖(其中尺度經(jīng)過(guò)了歸一化縮放)，可見(jiàn)各類(lèi)別樣本間存在較高類(lèi)間相似性，尺度變化范圍也比較大，這就要求算法需要具備對(duì)小尺度目標(biāo)的精確定位能力，以及足夠強(qiáng)的細(xì)粒度類(lèi)別的判別能力。

表1 訓(xùn)練數(shù)據(jù)集的主要類(lèi)別

圖7 實(shí)驗(yàn)數(shù)據(jù)集各類(lèi)別樣本縮略圖(類(lèi)別編號(hào)自左向右，自上往下)

2.2 實(shí)驗(yàn)對(duì)比

由于本文主要研究細(xì)粒度多類(lèi)別的艦船檢測(cè)與識(shí)別問(wèn)題，因此采用類(lèi)似自然場(chǎng)景目標(biāo)檢測(cè)[15]中的評(píng)測(cè)指標(biāo)對(duì)算法性能進(jìn)行量化。算法運(yùn)行速度的量化指標(biāo)為單幅640像素×480像素大小，來(lái)測(cè)試圖像的處理時(shí)間。測(cè)試環(huán)境為：64位Linux操作系統(tǒng)，GTX1080Ti顯卡，CUDA8.0，CPU型號(hào)Intel Xeon E5-2620。首先,將本文網(wǎng)絡(luò)框架的第二階段子網(wǎng)絡(luò)只保留全局池化分支，并把池化模塊替換為RotateRoIPooling，以此作為基準(zhǔn)算法，如表2所示，基準(zhǔn)算法的平均精度(mAP)僅為51.8%。為了驗(yàn)證在池化過(guò)程中對(duì)采樣點(diǎn)進(jìn)行插值的必要性，我們將模塊RotateRoIPooling換為對(duì)應(yīng)的插值模塊RotateRoIAlign，模型性能得到了大幅提升(62.0% mAP)，可見(jiàn)區(qū)域特征的精確提取對(duì)艦船目標(biāo)的精確定位和準(zhǔn)確識(shí)別非常重要。

之后，驗(yàn)證方位敏感型插值區(qū)域池化模塊的性能。在將RotateRoIAlign替換為本文提出的RotatePsRoIAlign模塊后，算法的平均精度下降到60.2%，經(jīng)過(guò)分析這主要是單個(gè)RoI的特征維度的量級(jí)差距懸殊導(dǎo)致的。如表2所示，RotateRoIAlign單個(gè)RoI區(qū)域的參數(shù)量為512×10×5=25 600，而本文的RotatePsRoIAlign單個(gè)RoI區(qū)域的參數(shù)量?jī)H為10×10×5=500，特征參數(shù)量相差近2個(gè)數(shù)量級(jí)，使得RotateRoIAlign在性能上占有優(yōu)勢(shì)。為了公平驗(yàn)證RotatePsRoIAlign模塊的有效性，我們?cè)黾恿艘唤M實(shí)驗(yàn)。在使用RotateRoIAlign模塊的共享卷積層前增加一個(gè)降維卷積，從而使二者每個(gè)RoI的參數(shù)量保持在同一個(gè)數(shù)量級(jí)，實(shí)驗(yàn)結(jié)果參見(jiàn)表2中RotateRoIAlign-Light，此時(shí)性能與本文模塊接近一致，從而表明本文提出的RotatePsRoIAlign模塊在特征提取能力上是令人滿意的，而占用的模型參數(shù)量是最低的，并且后續(xù)實(shí)驗(yàn)將表明，該模塊在對(duì)艦船局部信息的建模上更具優(yōu)勢(shì)。

我們以RotatePsRoIAlign模塊的單分支模型為基礎(chǔ)，對(duì)本文提出的其他結(jié)構(gòu)進(jìn)行了逐一的驗(yàn)證，如表3所示。通過(guò)使用角度致密化的預(yù)設(shè)框設(shè)置策略，小尺度艦船可以匹配到更多的預(yù)設(shè)框，從而模型召回率得到了較大提升，模型整體性能也提升了2% mAP，并且參數(shù)量基本保持不變。由于預(yù)設(shè)框數(shù)量的增加，對(duì)候選區(qū)域進(jìn)行過(guò)濾時(shí)需要更多計(jì)算量，從而使得算法運(yùn)行時(shí)間增加，運(yùn)行速度略有下降。

表2 區(qū)域池化模塊分析

表3 對(duì)比分析

在加入基于注意力機(jī)制的區(qū)域特征融合后，模型平均精度提升到63.4%，可見(jiàn)RotatePsRoIAlign所提取到的特征與RotateRoIAlign模塊具有一定的互補(bǔ)性，且本文提出的融合方法較大地提升了最終特征的判別能力。但融合模型的運(yùn)行速度略有下降，同時(shí)由于新增加了殘差映射和注意力建模2個(gè)全連接層，模型參數(shù)量也有增加。值得注意的是，在該模型的基礎(chǔ)上再次加入角度致密化，模型性能提升較小，僅為0.6% mAP，這很可能是由于融合特征判別能力的增加，使得第二階段分類(lèi)器對(duì)候選區(qū)域篩選和調(diào)整更加高效，在一定程度上掩蓋了角度致密化帶來(lái)的候選區(qū)域質(zhì)量的提高。最后，通過(guò)在DOTA數(shù)據(jù)集上對(duì)本文提出的網(wǎng)絡(luò)框架進(jìn)行3 W步的預(yù)訓(xùn)練，并將訓(xùn)練權(quán)重遷移到艦船數(shù)據(jù)集上繼續(xù)訓(xùn)練，可以帶來(lái)0.9% mAP的提升。

影響本文算法性能的相關(guān)因素，主要包括類(lèi)別判別困難程度、尺度大小、樣本數(shù)量3個(gè)方面。本文用尺度大小和樣本數(shù)量2個(gè)因素對(duì)性能的影響進(jìn)行了分析，如圖8所示。結(jié)論如下。

1)對(duì)于本文算法無(wú)法檢測(cè)到的目標(biāo)，主要是4種情況：樣本數(shù)量極少，如類(lèi)別24；樣本數(shù)量較少且類(lèi)內(nèi)差異較大，如類(lèi)別10；與其他某類(lèi)差異很小，如類(lèi)別18；與尺度大小沒(méi)有必然聯(lián)系。

圖8 算法性能的影響因素分析

2)對(duì)于本文算法容易檢測(cè)的目標(biāo)，主要是尺度偏大且類(lèi)別特征明顯，如類(lèi)別20和類(lèi)別25。

3)大部分類(lèi)別的檢測(cè)性能與樣本數(shù)量和尺度大小基本呈正相關(guān)，樣本數(shù)量少的類(lèi)別在訓(xùn)練時(shí)梯度信息容易被多數(shù)樣本覆蓋；而尺度較小使得目標(biāo)本身對(duì)定位精度要求很高。

2.3 算法檢測(cè)結(jié)果的可視化

圖9展示了本文算法的可視化檢測(cè)結(jié)果。圖9(a)原圖大小為1 379像素×1 199像素，檢測(cè)速度為0.582 4 s；圖9(b)原圖大小為2 041像素×1 302像素，檢測(cè)速度為0.637 s，可見(jiàn)本文算法能夠較好地處理陸地復(fù)雜背景環(huán)境的干擾。圖10組圖則從不同角度對(duì)算法的性能進(jìn)行了展示：第1列展示了算法對(duì)不同亮度變化影響的魯棒性；第2列展示了算法對(duì)不同大小的貨船檢測(cè)的穩(wěn)定性；第3列展示了檢測(cè)算法對(duì)多種類(lèi)別艦船的判別能力，以上可視化結(jié)果均為正確檢測(cè)的結(jié)果;第4列集中展示了本文算法的典型檢測(cè)錯(cuò)誤，包括類(lèi)別判別錯(cuò)誤(類(lèi)別5和類(lèi)別9具有較高的類(lèi)間相似性)造成的虛警、檢測(cè)框不準(zhǔn)確(背景區(qū)域與艦船區(qū)域具有較高的相似性)和部分漏檢(艦船排列過(guò)于緊密)。以上結(jié)果表明本文算法在近岸艦船檢測(cè)和識(shí)別上具有良好的魯棒性和較高的檢測(cè)率。

圖9 本文算法可視化檢測(cè)結(jié)果示例1

圖10 本文算法可視化檢測(cè)結(jié)果示例2

3 結(jié)束語(yǔ)

本文研究了基于深度學(xué)習(xí)的近岸艦船檢測(cè)和識(shí)別算法，提出了一種端到端的細(xì)粒度近岸艦船目標(biāo)檢測(cè)和識(shí)別框架。針對(duì)小型艦船對(duì)預(yù)設(shè)框角度變化敏感的問(wèn)題，提出角度致密化的策略，提升了小型艦船的檢測(cè)率；針對(duì)傳統(tǒng)的區(qū)域池化算法帶來(lái)的量化誤差問(wèn)題，采用改進(jìn)的方位敏感型區(qū)域插值池化模塊，可以更精確地建模艦船區(qū)域的局部特征；針對(duì)細(xì)粒度艦船分類(lèi)的問(wèn)題，利用基于注意力機(jī)制的局部和全局特征相融合的結(jié)構(gòu)，增強(qiáng)了區(qū)域特征的類(lèi)別判別能力；針對(duì)樣本稀缺性問(wèn)題，提出預(yù)測(cè)層的權(quán)重遷移模塊，使用遷移學(xué)習(xí)進(jìn)一步提升了模型性能。實(shí)驗(yàn)結(jié)果表明，本文算法在細(xì)粒度近岸艦船目標(biāo)數(shù)據(jù)集上達(dá)到了較高的檢測(cè)性能和識(shí)別精度，但由于近岸艦船目標(biāo)背景環(huán)境復(fù)雜、類(lèi)別多樣、樣本稀缺以及部分區(qū)域艦船排列緊密等問(wèn)題，算法仍存在漏檢或某些類(lèi)別判別錯(cuò)誤的情況，如何針對(duì)性地改進(jìn)這些不足是未來(lái)的研究重點(diǎn)。