一種在軌衛(wèi)星光學(xué)遙感艦船檢測算法

瞿濤 韓傳釗

(1 武漢大學(xué) 計算機學(xué)院，武漢 430072)(2 北京市遙感信息研究所，北京 100192)

遙感圖像目標(biāo)檢測一直是遙感影像處理領(lǐng)域研究的熱點課題，船舶作為海上運輸載體和重要的軍事目標(biāo)，其自動檢測與識別具有非常重要的現(xiàn)實意義，無論在民用還是軍事領(lǐng)域都有著廣闊的應(yīng)用前景[1]。光學(xué)遙感圖像具有分辨率高、圖像清晰和信息豐富等特點，因此光學(xué)遙感圖像艦船檢測已逐漸成為研究熱點。傳統(tǒng)的衛(wèi)星遙感圖像數(shù)據(jù)處理方案是將獲取到的遙感圖像進行壓縮，然后下傳到地面站處理[2]。當(dāng)前遙感衛(wèi)星采集的圖像分辨率越來越髙，而下傳數(shù)據(jù)的帶寬有限，迫切需要提高星載計算機的在軌數(shù)據(jù)處理能力，提升現(xiàn)有遙感衛(wèi)星的自主性與靈活性，減少地面站對衛(wèi)星任務(wù)的干預(yù)，滿足未來遙感衛(wèi)星對高機動性、高應(yīng)急性、高時效的要求，在災(zāi)害應(yīng)急監(jiān)測等領(lǐng)域發(fā)揮更大作用。然而，星載平臺對于嵌入式設(shè)備的資源和功耗有著嚴格的限制，難以滿足深度學(xué)習(xí)算法高內(nèi)存、大計算量的需求，因此需要進一步研究適合在軌處理的輕量級實時艦船檢測算法。

光學(xué)遙感艦船檢測根據(jù)使用特征的類別，可以分為傳統(tǒng)特征檢測方法和深度神經(jīng)網(wǎng)絡(luò)檢測方法2種。傳統(tǒng)特征檢測方法包含基于海洋表面分析的艦船檢測(SDSSA)方法[3]、基于形態(tài)學(xué)的方法[4]、基于艦船的直線檢測(LSD)方法[5]等，傳統(tǒng)特征檢測方法通常由人工設(shè)計特征表達，設(shè)計有效的手工特征通常需要大量的專業(yè)知識，在海面背景復(fù)雜的情況下特征通常不明顯且易被干擾，無法有效應(yīng)用[6]。深度學(xué)習(xí)在計算機視覺應(yīng)用中有著更強的特征表達能力?；谏疃葘W(xué)習(xí)的艦船檢測方法通常分為單階段(One-stage)和兩階段(Two-stage)2類[7]。關(guān)于Two-stage方法，文獻[8]中提出任務(wù)劃分模型，根據(jù)網(wǎng)絡(luò)深度分配不同的任務(wù)。文獻[9]中對快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Fast RCNN)感興趣區(qū)域池化層(ROI Pooling)進行改進，去掉ROI Pooling層候選框中非目標(biāo)區(qū)域的噪聲干擾。文獻[10]在Faster RCNN的基礎(chǔ)上采用多分辨率卷積特征，提升相鄰船只和小型船只的檢測效果。文獻[11]中改進了Faster R-CNN算法(Faster R-CNN算法是在Fast RCNN的基礎(chǔ)上提出了RPN候選框生成算法，使得目標(biāo)檢測速度大大提高)，引入了K均值(K-Means)聚類算法。文獻[12]中研究遙感影像目標(biāo)的成像特性，為遙感領(lǐng)域深度學(xué)習(xí)網(wǎng)絡(luò)模型設(shè)計提供技術(shù)支持。文獻[13]中提出基于掩膜區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Mask R-CNN)框架的方法，較好地解決了緊密排列艦船目標(biāo)的檢測問題。文獻[14]中提出了密集特征金字塔網(wǎng)絡(luò)(DFPN)解決狹長船只的檢測問題。文獻[15]中級聯(lián)目標(biāo)預(yù)篩選全卷積網(wǎng)絡(luò)(P-FCN)和目標(biāo)精確檢測全卷積網(wǎng)絡(luò)(D-FCN)提高檢測效率。文獻[16]中提出一種聯(lián)合視覺顯著性特征與卷積神經(jīng)網(wǎng)絡(luò)的艦船檢測方法訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型。Two-stage方法具有很好的準確率，但復(fù)雜的算法在計算資源有限、需要實時處理的衛(wèi)星在軌目標(biāo)檢測場景中應(yīng)用受到制約。One-stage方法將目標(biāo)檢測作為一個分類或回歸問題，直接得到最終的結(jié)果。文獻[17]中利用輕量化網(wǎng)絡(luò)代替YOLOv3特征提取網(wǎng)絡(luò)實現(xiàn)遙感目標(biāo)的高效檢測。文獻[18]在單次多框檢測器(SSD)金字塔特征層中設(shè)計特征融合模塊，實現(xiàn)多尺度遙感圖像目標(biāo)檢測與定位。基于One-stage方法的檢測網(wǎng)絡(luò)對于小目標(biāo)的檢測效果并不好，多尺度目標(biāo)的適應(yīng)性不強。

星上目標(biāo)檢測在計算資源有限的條件下需要較高的檢測精度和速度，在包含各種復(fù)雜海況的場景下艦船檢測精度不低于85%，才能實現(xiàn)對感興趣場景的在線目標(biāo)檢測要求。另外，光學(xué)遙感圖像質(zhì)量也影響著檢測精度，傳統(tǒng)的地面處理需要對原始圖像做輻射校正與幾何校正，以提高圖像質(zhì)量，星上目標(biāo)檢測計算資源有限，在檢測前只進行輻射校正可以減少耗時、提升效果，未進行幾何校正的圖像仍具有船只的形狀和紋理特征，對檢測結(jié)果影響不大?，F(xiàn)有研究重點大多是提高艦船檢測精度，對設(shè)計網(wǎng)絡(luò)壓縮算法提升艦船檢測速度的研究不多。本文以光學(xué)遙感艦船為研究對象，對多尺度艦船目標(biāo)快速檢測方法進行研究。采用YOLOv3作為端到端基礎(chǔ)網(wǎng)絡(luò)，對網(wǎng)絡(luò)的通道數(shù)和層數(shù)進行裁剪，借鑒Mobilenet[19]的思想設(shè)計倒置殘差結(jié)構(gòu)，使用可分離卷積和1×1卷積對卷積層進行替換，最后使用圖像金字塔將不同尺度的艦船檢測出來。本文通過研究神經(jīng)網(wǎng)絡(luò)壓縮方法降低存儲和計算成本，可以在計算和存儲資源有限的在軌平臺完成，更利于實現(xiàn)衛(wèi)星在軌目標(biāo)檢測。

1 網(wǎng)絡(luò)壓縮與倒置殘差結(jié)構(gòu)優(yōu)化

本文提出的應(yīng)用倒置殘差的衛(wèi)星在軌光學(xué)遙感艦船檢測算法，其網(wǎng)絡(luò)壓縮結(jié)構(gòu)如圖1所示，通過裁剪網(wǎng)絡(luò)層數(shù)與通道數(shù)，減少卷積層至19層(未算分類回歸器前的卷積層)。其中，倒置殘差用于加速普通的殘差塊，可分離卷積用于加速普通的3×3卷積。使用倒置殘差和可分離卷積結(jié)構(gòu)進行替換加速，可以實現(xiàn)整體網(wǎng)絡(luò)速度的巨大提升，新網(wǎng)絡(luò)的浮點運算次數(shù)(FLOP)為1.603×109，相比于YOLOv3[20]的6.5287×1010，有大幅度減少。下面將詳細介紹端到端網(wǎng)絡(luò)層數(shù)與通道數(shù)裁剪和倒置殘差結(jié)構(gòu)壓縮優(yōu)化。

注：M為殘差塊個數(shù)；R為通道擴張因子。

1.1 端到端網(wǎng)絡(luò)層數(shù)與通道數(shù)裁剪

常用的目標(biāo)檢測模型實現(xiàn)對貓、狗、兔等多類復(fù)雜目標(biāo)定位和分類，艦船檢測只有一種目標(biāo)類別，即區(qū)分艦船還是背景，特征本身也比較簡單。主流多分類網(wǎng)絡(luò)模型應(yīng)用在二分類艦船檢測中，存在冗余設(shè)計，其網(wǎng)絡(luò)結(jié)構(gòu)可以裁剪的更小。

衛(wèi)星在軌光學(xué)遙感艦船檢測的研究難點在于速度，而YOLOv3正是一種注重速度的One-stage檢測方法，本文選擇YOLOv3作為基礎(chǔ)網(wǎng)絡(luò)。但YOLOv3結(jié)構(gòu)仍比較復(fù)雜，其Darknet53主干網(wǎng)絡(luò)總層數(shù)已經(jīng)超過了100層。參考ResNet18[21]在特征圖(Feature Map)尺寸變化前后都為2個殘差塊，而Darknet53中第3，4，5次采樣后的殘差塊分別是8，8，4個，本文使用2個殘差塊結(jié)構(gòu)進行替換。

為解決多尺度目標(biāo)檢測問題，YOLOv3采用多層特征融合的方式，不同特征層檢測不同尺度的目標(biāo)，因此有多個從主干網(wǎng)絡(luò)中延伸出來的分支。本文采用不同的思路，使用金字塔檢測方式將多個分支從網(wǎng)絡(luò)中移除，只留最后一個分支用于艦船的分類回歸，從而減少了檢測網(wǎng)絡(luò)的層數(shù)。

YOLOv3在主干網(wǎng)絡(luò)中經(jīng)過了5次下采樣，對最后一層特征圖的單元格進行層層反推，得到的感受野達到了948×948，增大感受野(Receptive Field)有能力檢測大的目標(biāo)，但對于艦船來說，大尺寸船只縮小后仍然有足夠的識別能力，不會影響判別。本文去掉了最后一次的下采樣及其殘差塊，并將第4次下采樣后的殘差塊個數(shù)減少為1，再次反推得到的感受野變?yōu)?64×164。

為了能夠在最后一層特征圖中得到一個中心單元格，YOLOv3設(shè)置網(wǎng)絡(luò)的輸入大小為416×416，為32的奇數(shù)倍長寬。因為大的目標(biāo)會占據(jù)圖像中心，用一個中心單元格來預(yù)測較好。但是，對于遙感圖像來說，艦船的位置顯然是隨機的，在中心的概率和在其他位置是一樣的，而且艦船相對原始圖像來說都比較小，所以在本文中改為512×512。這樣可以減少1024×1024圖像在縮放時的信息損失，增加檢測精度。

以上方法使網(wǎng)絡(luò)層數(shù)減少了約75%，減少的層數(shù)是卷積核數(shù)量最多的后幾層，所以網(wǎng)絡(luò)的參數(shù)數(shù)量下降得更多，約為原網(wǎng)絡(luò)的1/12。參數(shù)數(shù)量會影響網(wǎng)絡(luò)在反向傳播時參數(shù)的更新速度，使得網(wǎng)絡(luò)的單次檢測和訓(xùn)練速度也得到了相應(yīng)比例的提升。同時，由于感受野的下降，減少了特征抽象，增加了細節(jié)信息，使得小目標(biāo)的檢測精度也得到了一定提升。

網(wǎng)絡(luò)通道數(shù)裁剪是對網(wǎng)絡(luò)中每層卷積核的數(shù)量進行調(diào)整。本文試驗發(fā)現(xiàn)：網(wǎng)絡(luò)卷積核也存在冗余，通過將卷積核數(shù)量降低為原來的1/4，可以得到一個精度降低不大的網(wǎng)絡(luò)。最后一層特征圖的通道數(shù)為5×(4+2)=30，每個單元格設(shè)置了5種不同長寬的錨，預(yù)測目標(biāo)的4個坐標(biāo)參數(shù)，2為置信度和類別概率。這樣，可以讓通道數(shù)裁剪后的網(wǎng)絡(luò)檢測速度得到成倍的提升。

1.2 倒置殘差結(jié)構(gòu)壓縮優(yōu)化

本文對殘差塊內(nèi)部結(jié)構(gòu)進行調(diào)整，將其中的瓶頸結(jié)構(gòu)(Bottle Neck)替換為倒置殘差(Inverted Residual)結(jié)構(gòu)，但與MobileNetv2[19]的3層卷積不同，本文使用2層卷積構(gòu)建倒置殘差，如圖2所示。第1層為1×1卷積層，用于瓶頸壓縮；第2層是3×3的可分離卷積層，存在通道擴張。同時，為了減少ReLU激活造成的信息損失，借鑒了MobileNetv2中的2種解決方法：①將ReLU激活函數(shù)替換為線性函數(shù)；②通過擴張通道來減少損失。

注：shortcut為直連；linear為線性映射；W和H分別為卷積核的寬和高；N為卷積核個數(shù)。

2 多尺度圖像金字塔檢測

艦船檢測的另一個難點是網(wǎng)絡(luò)對大小不一的目標(biāo)檢測效果較差，常用的辦法是將多層特征進行融合：低層感受野小細節(jié)信息多，檢測小目標(biāo)；高層感受野大特征更抽象，檢測大目標(biāo)，但采用更大的感受野和更深的網(wǎng)絡(luò)層數(shù)來對信息進行提取和抽象，會增加網(wǎng)絡(luò)的計算復(fù)雜度。而艦船特征簡單，將大船縮放成小船仍可以看出是船，適當(dāng)?shù)膱D像縮放并不影響到船的判別，大船多出的細節(jié)信息對于目標(biāo)檢測是冗余的。

本文使用圖像金字塔實現(xiàn)多尺度目標(biāo)檢測，具體步驟如下。

(1)使用壓縮后的19層網(wǎng)絡(luò)對大小為S2的原圖T進行目標(biāo)檢測，得到預(yù)測框集合P。

圖3 金字塔圖像示意Fig.3 Pyramid image diagram

(1)

(5)使用非極大值抑制(NMS)的方法，去除P中的重復(fù)坐標(biāo)框。這樣即得到了多尺寸的預(yù)測框集合P，并將P作為最終檢測結(jié)果輸出。

如前文所述，圖像金字塔檢測方式將原始網(wǎng)絡(luò)中多個從主干網(wǎng)絡(luò)延伸出來的分支移除，只留最后一個分支用于目標(biāo)的分類回歸，從而減少了檢測網(wǎng)絡(luò)的層數(shù)。使用金字塔檢測方式的前提是待檢測的目標(biāo)類別只有一類，只有這樣待檢測的目標(biāo)才能基于同一尺寸范圍進行下采樣和目標(biāo)檢測。

3 試驗結(jié)果及分析

本文依托海南一號衛(wèi)星在軌目標(biāo)檢測載荷應(yīng)用實例，在分辨率相近的高分一號遙感數(shù)據(jù)集上進行試驗，證明本文算法在有效減少算法耗時的同時，仍能保證在尾跡、海浪、云霧和港口干擾下的檢測效果。為衛(wèi)星在軌運行后的海洋實時管控提供有效的信息保障。

3.1 試驗數(shù)據(jù)庫

遙感圖像在不同衛(wèi)星、遙感器、光譜頻段和拍攝角度下，其成像表現(xiàn)和目標(biāo)狀態(tài)都存在較大差異。本文為了統(tǒng)一圖像質(zhì)量，減少圖像來源和狀態(tài)變化對網(wǎng)絡(luò)訓(xùn)練產(chǎn)生的不良影響，建立了自制艦船數(shù)據(jù)庫，用來訓(xùn)練測試網(wǎng)絡(luò)模型的性能。自制艦船數(shù)據(jù)庫來自高分一號衛(wèi)星的全色波段圖像，空間分辨率為2 m，裁剪為多個1024×1024的標(biāo)準圖像，人工篩選后保留海面、海岸和艦船存在的部分，最終得到3952張標(biāo)準圖像，標(biāo)注得到的艦船目標(biāo)數(shù)量為8621。訓(xùn)練集和測試集的比例為7∶3。

3.2 試驗平臺

本文算法訓(xùn)練與測試使用的計算機軟硬件配置為：GPU為RTX2060，CPU為Intel(R) Core(TM) i7-6700 CPU@3.40GHz，內(nèi)存為32 GB DDR4 2133MHz。操作系統(tǒng)為ubuntu 18.04LTS，Python為Anaconda3-2018.12，OpenCV 3.3，CUDA 9.2，CUDNN 7.0。

3.3 檢測評價指標(biāo)

當(dāng)目標(biāo)所屬類別對應(yīng)的預(yù)測框集合中存在某個預(yù)測框和真實目標(biāo)框的交并比(IOU)大于閾值0.5，表示目標(biāo)被正確地識別出來。IOU為交并比，即兩框交集的面積與并集的面積之比。

本文使用精確率Rprecision和召回率Rrecall評估模型的性能。其中：精確率是指所有的預(yù)測框中正確對應(yīng)真實目標(biāo)的比例，見式(2)；召回率是指所有真實目標(biāo)中有多少被預(yù)測出來了，存在對應(yīng)的預(yù)測框，即查全率，見式(3)。

(2)

式中：NTP為目標(biāo)被正確預(yù)測出來的數(shù)量；NFP為非目標(biāo)被錯誤預(yù)測出來的數(shù)量。

(3)

式中：NFN為目標(biāo)沒有被預(yù)測出來的數(shù)量。

不斷地改變召回率閾值的大小，將每次計算得到的精確率和召回率畫在一個坐標(biāo)圖上就可以得到一條曲線，即為精確率-召回率(PR)曲線，該曲線可以顯示檢測網(wǎng)絡(luò)在精確率與-召回率之間的權(quán)衡。相比較于曲線圖，使用具體的數(shù)值更能直觀地表現(xiàn)出神經(jīng)網(wǎng)絡(luò)檢測算法的性能。通常情況下，采用平均精度(AP)作為這一度量標(biāo)準，平均精度是精確率隨召回率變化曲線的積分。

3.4 網(wǎng)絡(luò)加速試驗

3.4.1 層數(shù)裁剪試驗

為了證明層數(shù)裁剪過程中每次的裁剪都是有意義的，本文對每次裁剪后網(wǎng)絡(luò)的精度和速度的變化做記錄并分析，確保裁剪后網(wǎng)絡(luò)速度加快的同時，精度的降低在可接受范圍內(nèi)，見表1。在表1中：“剪枝”是指裁剪掉YOLOv3最后3個分支中的另外2個，保留1個；“殘差優(yōu)化”是指將“剪枝”中第3，4，5次下采樣后殘差塊的個數(shù)按照ResNet18中的配置都裁剪成2個；“層數(shù)壓縮”是指將“剪枝+殘差優(yōu)化”中最后1次池化及后面的殘差塊也裁剪掉，并將第4次下采樣后的殘差塊個數(shù)裁剪成1個；“普通”是指按照正常流程進行目標(biāo)檢測；“金字塔”是指按照本文多尺度圖像金字塔檢測方式進行檢測。表1中的FLOP指浮點計算次數(shù)，用來評價卷積神經(jīng)網(wǎng)絡(luò)(CNN)的時間復(fù)雜度；Parameters指參數(shù)的數(shù)據(jù)量，一般以Mbyte單位，用來評價CNN的空間復(fù)雜度。FLOP和Parameter是評價CNN運行速度的理論指標(biāo)，和實際運行速度每秒圖像幀數(shù)(FPS)有著很大的差距。FPS是指1 s可以處理多少張圖像，本文使用毫秒作為時間單位。

表1 網(wǎng)絡(luò)層數(shù)裁剪試驗結(jié)果Table 1 Test results of network layer pruning

從表1可以看到：YOLOv3在去掉分支后(剪枝)，平均精度AP有一定下降，通過觀察數(shù)據(jù)樣本發(fā)現(xiàn)，小目標(biāo)的檢測精度確實下降很多。“剪枝+殘差優(yōu)化+512”的普通檢測方式比金字塔檢測方式的AP要更大，證明復(fù)雜的深度網(wǎng)絡(luò)并不適合金字塔檢測。通過“剪枝+殘差優(yōu)化+層數(shù)壓縮+512”發(fā)現(xiàn)，金字塔檢測的效果在網(wǎng)絡(luò)剪裁較多的情況下，可以增加檢測精度，增加的精度來源于小目標(biāo)檢測精度的提高。同時也可以看到：在不斷裁剪的過程中，檢測速度也在不斷加快，其中金字塔檢測耗時之所以會提高1倍(乘2)，是因為其實施步驟中需要經(jīng)過2次網(wǎng)絡(luò)檢測?？傮w來說，網(wǎng)絡(luò)剪裁后檢測速度快了約18%，參數(shù)量減少了90%。

3.4.2 通道數(shù)裁剪試驗

為了保證在裁剪通道的同時精度不會降低太多，本文對每次通道減半后網(wǎng)絡(luò)的平均精度和檢測速度變化做記錄并分析，以得到最佳的通道裁剪倍數(shù)。如表2所示：“層數(shù)裁剪”等于第3.4.1節(jié)的“剪枝+殘差優(yōu)化+層數(shù)壓縮+512”；1/C是指通道裁剪的比例，即通道數(shù)變?yōu)樵瓉淼?/C。本文中的通道裁剪是針對所有網(wǎng)絡(luò)層，即網(wǎng)絡(luò)中每層卷積的通道數(shù)都變?yōu)樵瓉淼?/C。

表2 網(wǎng)絡(luò)通道裁剪試驗結(jié)果Table 2 Test results of network channel pruning

從表2可以看到：經(jīng)過1/2通道裁剪后平均精度AP反而增加了一些，這證明了網(wǎng)絡(luò)確實存在冗余；但經(jīng)過1/4通道裁剪，AP相對于沒裁剪之前降低了1.1，但檢測速度提升了約42%；經(jīng)過1/8裁剪后，發(fā)現(xiàn)雖然檢測速度提升更大，但AP卻下降了5.9。因此，放棄1/8，選擇1/4的通道裁剪網(wǎng)絡(luò)，這也是本文中檢測速度提升最大的一步。如果沒有金字塔檢測，1/4通道裁剪的AP也不可接受，所以金字塔檢測是1/4裁剪的前提，同樣也是檢測速度提升的關(guān)鍵。

3.4.3 卷積替換試驗

為了證明可分離卷積和1×1卷積替換普通卷積確實具有檢測速度優(yōu)勢，本文對替換前后的平均精度AP和檢測速度進行比對測試，記錄試驗結(jié)果。如表3所示：“通道裁剪”是第1.1節(jié)的“層數(shù)裁剪+1/4”使用倒置殘差進行替換后的模型；“通道裁剪+R”中的R是指擴張因子的大小，即倒置殘差中的1×1卷積通道數(shù)和3×3可分離卷積的輸出通道數(shù)之比。

表3 卷積替換試驗結(jié)果Table 3 Test results of convolution replacement

從表3可以看到：“層數(shù)裁剪+1/4”到“通道裁剪+1”，雖然FLOP降低了71%，但是檢測速度只提升了51%，并不成正比，這就證明了理論計算速度和實際運行效率并不一致，在實際應(yīng)用中一般更加注重運行速度。同時，擴張因子為1，相對于第3.4.2節(jié)的“層數(shù)裁剪+1/4”，雖然檢測速度加快了很多，但是金字塔檢測平均精度AP降低了7.9，相對于加速效果AP下降程度較大，所以不采用，“通道裁剪+2”同理不采用?！巴ǖ啦眉?4”檢測速度提升了31%，但AP只下降了0.7，在可接受范圍內(nèi)，所以本文最終的網(wǎng)絡(luò)模型是基于“通道裁剪+4”的。

3.4.4 檢測效果對比

圖4是YOLOv3和本文算法的PR曲線對比。雖然YOLOv3的PR曲線下的面積更大，但本文算法在精確率降低后，召回率可以迅速跟上YOLOv3，并且在最后有趕超的趨勢。總體來說，YOLOv3的平均精度AP更高，本文算法在AP差別不大的條件下速度上更有優(yōu)勢。

圖4 PR曲線對比Fig.4 Comparison of PR curves

為了證明本文算法的有效性和普適性，對本文算法，YOLOv3，YOLOv2，YOLOv3-tiny，YOLOv2-tiny，SSD和RetinaNet進行性能對比，并記錄試驗數(shù)據(jù)，如表4所示。其中：RetinaNet的主干網(wǎng)絡(luò)使用的是ResNet-101。

從表4可以看到：本文算法相對于YOLOv3，雖然平均精度AP差了4.2，但是耗時減少約72%；相對于YOLOv2，耗時減少約58%，AP也有0.9的微弱優(yōu)勢；相對于YOLOv3-tiny，YOLOv2-tiny，耗時雖然增加，但AP大幅提高了11.1%和14.5%；相對于SSD，AP表現(xiàn)更好，并且速度更快；相對于RetinaNet，還有一定差距，但耗時只有RetinaNet的9%。

應(yīng)用倒置殘差壓縮網(wǎng)絡(luò)的衛(wèi)星在軌光學(xué)遙感艦船檢測算法效果，如圖5所示。可以看到：在圖5(a)尾跡、圖5(a)～5(b)海浪、圖5(c)～5(e)云霧和圖5(f)港口等干擾的情況下，本文算法均能很好地識別出艦船目標(biāo)，減少誤報，滿足在軌目標(biāo)檢測要求。

表4 與主流網(wǎng)絡(luò)性能對比結(jié)果Table 4 Comparison results with popular networks

圖5 本文算法艦船檢測結(jié)果Fig.5 Ship detection results using the proposed algorithm

4 結(jié)束語

主流多分類網(wǎng)絡(luò)應(yīng)用在二分類艦船檢測時存在冗余，本文提出的艦船檢測算法進行了層數(shù)和通道數(shù)裁剪，使用可分離卷積和1×1卷積對普通卷積進行替換，得到一個精簡網(wǎng)絡(luò)，使用圖像金字塔的檢測方式實現(xiàn)多尺度檢測。本文算法與YOLOv3相比平均精度AP只下降了4.2，但檢測速度卻提升了72%，相比于其他主流網(wǎng)絡(luò)在平均精度或檢測速度上也具有一定的優(yōu)勢，可為計算資源極其有限的衛(wèi)星在軌目標(biāo)檢測實現(xiàn)提供有效的理論技術(shù)支撐。另外，當(dāng)訓(xùn)練和測試的圖像輸入大小差距很大時，會有一定的精度損失；如何在后期通過對模型進行微調(diào)來消除損失，使模型達到最大性能，以及進一步提升算法本身的參數(shù)自適應(yīng)能力，在小樣本集的條件下提高檢測精度，是后續(xù)的研究內(nèi)容。