基于深度學(xué)習(xí)的艦船目標(biāo)檢測(cè)技術(shù)綜述

李晨瑄，胥輝旗，錢 坤，鄧博元，馮澤欽

(1.海軍航空大學(xué)， 山東 煙臺(tái) 264001； 2.中國(guó)人民解放軍91900部隊(duì)， 山東 青島 266041)

1 引言

艦船目標(biāo)是現(xiàn)代化海戰(zhàn)探測(cè)與偵察的重要目標(biāo)。精確檢測(cè)艦船目標(biāo)有利于指戰(zhàn)員獲取軍事情報(bào)、調(diào)整火力部署，有助于海洋權(quán)益的維護(hù)與海軍戰(zhàn)略的實(shí)現(xiàn)?；趫D像的艦船目標(biāo)檢測(cè)技術(shù)依據(jù)圖像特征判定是否存在艦船，同時(shí)實(shí)現(xiàn)艦船定位。當(dāng)前我國(guó)海域多使用自動(dòng)識(shí)別系統(tǒng)(automatic identification system，AIS)檢測(cè)艦船，艦船航行的安全性得到提升，但AIS受氣候、海雜波等噪聲信號(hào)干擾大。高質(zhì)量感光元件與圖像處理技術(shù)的飛速發(fā)展，有效促進(jìn)了基于深度學(xué)習(xí)的艦船目標(biāo)檢測(cè)技術(shù)的發(fā)展。

傳統(tǒng)的目標(biāo)檢測(cè)算法特征需人為設(shè)計(jì)，傳感器成像受大氣散射、雨霧遮擋等干擾嚴(yán)重，復(fù)雜多變的背景環(huán)境對(duì)艦船目標(biāo)檢測(cè)造成了巨大挑戰(zhàn)。將深度學(xué)習(xí)用于艦船目標(biāo)檢測(cè)任務(wù)，能夠提升復(fù)雜背景下艦船檢測(cè)準(zhǔn)確率，為實(shí)時(shí)、準(zhǔn)確、魯棒性強(qiáng)的艦船目標(biāo)檢測(cè)技術(shù)提供有力支撐。本文綜述了基于深度學(xué)習(xí)的艦船目標(biāo)檢測(cè)研究進(jìn)展，分析了當(dāng)前存在的問題與可能的改進(jìn)方向，并對(duì)艦船目標(biāo)檢測(cè)未來發(fā)展趨勢(shì)進(jìn)行展望，以期為該領(lǐng)域研究提供思路借鑒。

2 基于深度學(xué)習(xí)的艦船目標(biāo)檢測(cè)技術(shù)

傳統(tǒng)方法計(jì)算簡(jiǎn)單，但檢測(cè)特征針對(duì)特定場(chǎng)景設(shè)置，艦船目標(biāo)檢測(cè)魯棒性不足。傳統(tǒng)基于灰度信息統(tǒng)計(jì)的檢測(cè)方法利用目標(biāo)與背景的灰度差異分離目標(biāo)，算法簡(jiǎn)單易于實(shí)現(xiàn)，但云霧遮擋情況下算法適應(yīng)性較差；基于視覺顯著性的方法借助像素對(duì)比度，凸顯圖像中顯著性區(qū)域，復(fù)雜背景下檢測(cè)效果較好，但對(duì)于密集艦船易造成大量誤檢，不適用高亮背景下的檢測(cè)任務(wù)；基于分類學(xué)習(xí)的方法提取艦船目標(biāo)特征，較好適應(yīng)了目標(biāo)形狀、紋理等變化，檢測(cè)精度較高，但算法對(duì)特征提取要求高，運(yùn)算開銷較大；基于模板匹配的檢測(cè)方法利用大量艦船樣本建立模板庫(kù)，較好提升了密集艦船目標(biāo)的檢測(cè)效果，但過于依賴先驗(yàn)知識(shí)，復(fù)雜背景與環(huán)境噪聲使得算法魯棒性有待提升。

2.1 基于候選框的方法

算法將目標(biāo)檢測(cè)框架分為兩個(gè)階段，首先生成可能包含檢測(cè)目標(biāo)的一系列候選框，再基于篩選后的高質(zhì)量候選框?qū)崿F(xiàn)目標(biāo)的分類與坐標(biāo)調(diào)整?；诤蜻x區(qū)域(Region of Interest，RoI)的代表性算法有R-CNN、Faster R-CNN與Mask R-CNN，算法流程如圖1所示。

圖1 基于候選框的檢測(cè)算法流程框圖Fig.1 Flow chart of detection algorithm based on RoIs

R-CNN[1]、Fast R-CNN[2]、Faster R-CNN[3]、FPN[4]、R-FCN[5]、Cascade R-CNN[6]等基于候選框的檢測(cè)算法，在RoI生成與特征提取方面的性能如表1所示。算法在COCO與VOC2007數(shù)據(jù)集上性能測(cè)試結(jié)果如表2所示。

表1 基于候選框的檢測(cè)算法性能

表2 基于候選框的檢測(cè)算法性能測(cè)試

Faster R-CNN令區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(regions with CNN features，R-CNN)與候選區(qū)域生成網(wǎng)絡(luò)(region proposal network，RPN)共享卷積層，降低了不同尺度錨框映射過程中的檢測(cè)誤差，改善了候選框?qū)z測(cè)速度的影響。卷積層共享使得深層卷積獲取到更高質(zhì)量候選區(qū)，提升檢測(cè)精度。Mask R-CNN以Faster R-CNN為基礎(chǔ)，將檢測(cè)分支中的定位與分類分支與實(shí)例分割相結(jié)合，算法先生成區(qū)域建議框，再利用檢測(cè)分支獲得邊界框與掩膜，復(fù)雜度的提升導(dǎo)致訓(xùn)練速度略有下降。基于候選框的艦船目標(biāo)檢測(cè)算法精度較高，文獻(xiàn)[7]利用壓縮與激勵(lì)機(jī)制提升R-CNN檢測(cè)性能，使用編碼比例向量有效抑制子特征圖的信息冗余，提升了SAR艦船檢測(cè)性能；文獻(xiàn)[8]在Mask R-CNN的FPN中添加自下而上的短接結(jié)構(gòu)，使用逐通道與空間注意力機(jī)制提升重要像素特征對(duì)應(yīng)權(quán)重，可實(shí)現(xiàn)像素級(jí)別的艦船檢測(cè)與分割；針對(duì)樣本數(shù)據(jù)利用不充分的問題，文獻(xiàn)[9]利用生成對(duì)抗網(wǎng)絡(luò)進(jìn)行特征變換，獲取多尺度與旋轉(zhuǎn)角的檢測(cè)圖擴(kuò)充樣本，提升不同場(chǎng)景下艦船的檢測(cè)適應(yīng)性，并結(jié)合在線難例挖掘去除正負(fù)比例限制，提升檢測(cè)精度；文獻(xiàn)[10]將場(chǎng)景分割功能引入檢測(cè)框架，使用邊緣概率加權(quán)合并方法結(jié)合檢測(cè)特征圖與非目標(biāo)區(qū)域，有效排除非目標(biāo)區(qū)的錯(cuò)誤候選目標(biāo)，較好地抑制了近岸相似物體對(duì)艦船檢測(cè)的干擾。

由于算法需處理大量候選框，框內(nèi)的復(fù)雜背景信息不利于檢測(cè)準(zhǔn)確度的提升。此外，候選框的設(shè)置易導(dǎo)致算法參數(shù)冗余，檢測(cè)精度較高但實(shí)時(shí)性有待提升。

2.2 基于回歸的方法

基于候選框的目標(biāo)檢測(cè)方法充分利用了預(yù)測(cè)框特征信息，具有較好的檢測(cè)性能，但繁重的預(yù)測(cè)框處理嚴(yán)重影響檢測(cè)速度的提升?；诨貧w的檢測(cè)方法在檢測(cè)圖上等距采樣，作為錨框的中心，直接利用錨框與真實(shí)框?qū)崿F(xiàn)目標(biāo)的分類與坐標(biāo)修正，精簡(jiǎn)了預(yù)測(cè)框的處理與特征重采樣過程，檢測(cè)速度更快，但精度略有下降。其中具有代表性算法為YOLO、SSD等。YOLO將輸入圖像劃分為S×S個(gè)網(wǎng)格，若目標(biāo)中心落入相應(yīng)網(wǎng)格單元，該單元?jiǎng)t負(fù)責(zé)相應(yīng)目標(biāo)的檢測(cè)。YOLO[11]直接利用卷積神經(jīng)網(wǎng)絡(luò)回歸分類概率與邊界框，檢測(cè)實(shí)時(shí)性優(yōu)勢(shì)凸顯，但對(duì)于小尺度目標(biāo)定位精度有待提升。2018年提出的YOLOv3[12]引入了Darknet-53殘差網(wǎng)絡(luò)，較好緩解了深層網(wǎng)絡(luò)導(dǎo)致的梯度問題，利用Logistic改進(jìn)Softmax實(shí)現(xiàn)了多標(biāo)簽的目標(biāo)檢測(cè)，提升了目標(biāo)檢測(cè)精度。錨框機(jī)制與多尺度特征圖的引入，使得SSD算法對(duì)小目標(biāo)的檢測(cè)性能更佳。SSD[13]對(duì)不同卷積層設(shè)置了不同數(shù)量與大小的錨框，當(dāng)錨框與目標(biāo)框重合率大于設(shè)定閾值時(shí)，即視為檢測(cè)正樣本。錨框機(jī)制與多尺度特征圖的引入，使得SSD算法對(duì)小目標(biāo)的檢測(cè)性能更佳?；诨貧w的目標(biāo)檢測(cè)算法流程如圖2，算法性能如表3所示。

圖2 基于回歸的目標(biāo)檢測(cè)流程框圖Fig.2 Target detection process based on regression

表3 基于回歸的檢測(cè)算法性能Table.3 Comparison of detection algorithm based on regression

針對(duì)遙感目標(biāo)尺寸小、緊密排列艦船的高相似度導(dǎo)致檢測(cè)精度低的問題，文獻(xiàn)[14]將CReLU引入SSD的淺層網(wǎng)絡(luò)，利用FPN逐級(jí)融合深淺層特征圖，提升特征傳遞效率，有效檢測(cè)出碼頭下的密集艦船。文獻(xiàn)[15]選取Darknet-53作為主干網(wǎng)絡(luò)，利用深層特征融合豐富了語(yǔ)義信息，設(shè)計(jì)的新的二分類損失函數(shù)，改善了訓(xùn)練過程中的難易樣本失衡，復(fù)雜場(chǎng)景下多尺度艦船檢測(cè)效果較好。針對(duì)大尺度遙感圖像中艦船目標(biāo)檢測(cè)漏檢較多的問題，文獻(xiàn)[16]結(jié)合YOLOv3-tiny與特征映射模塊，增強(qiáng)了預(yù)測(cè)層獲取重要檢測(cè)特征的能力，對(duì)小尺度密集目標(biāo)具有較高的檢測(cè)精度與速度。為提升模型的可移植性，文獻(xiàn)[17]利用堆疊的小尺度卷積充分提取圖像特征，改進(jìn)了雙向密集連接模塊，提取高質(zhì)量特征的同時(shí)降低了網(wǎng)絡(luò)復(fù)雜度，檢測(cè)模型能夠以較少的內(nèi)存與計(jì)算成本實(shí)現(xiàn)較高的檢測(cè)精度。

錨框設(shè)計(jì)是目標(biāo)檢測(cè)的重點(diǎn)。針對(duì)像素點(diǎn)少的小目標(biāo)，要設(shè)置合適尺度與長(zhǎng)寬比的錨框，衡量計(jì)算量與錨框數(shù)的平衡，避免引入過多參數(shù)導(dǎo)致算法成本提升。針對(duì)形態(tài)、尺度多變以及輪廓模糊等情況，利用特征金字塔、密集連接等可有效實(shí)現(xiàn)多分辨率艦船目標(biāo)的特征提取。針對(duì)近岸背景碼頭、建筑物以及海岸干擾問題，采用注意力機(jī)制能夠較好改善復(fù)雜環(huán)境下的噪聲干擾，使檢測(cè)準(zhǔn)確度得到提升。

2.3 不依賴錨框的方法

基于候選框的艦船目標(biāo)檢測(cè)方法檢測(cè)效果較好，但仍存在以下問題：一是需生成大量的候選框，用以篩選出與真實(shí)框重合程度更高的候選框，導(dǎo)致正負(fù)樣本不均衡，不利于算法收斂；二是候選框需人為設(shè)定大量的超參數(shù)，超參數(shù)的設(shè)置很大程度上依賴檢測(cè)任務(wù)與適用數(shù)據(jù)集，手動(dòng)調(diào)優(yōu)較為困難。因此衍生了一系列不依賴候選框(Anchor-Free)的目標(biāo)檢測(cè)算法。Anchor-Free算法包括基于角點(diǎn)的檢測(cè)方法與基于關(guān)鍵點(diǎn)的目標(biāo)檢測(cè)方法。

（二）豐肚法。這種方法實(shí)際上就是先提供給學(xué)生寫作框架，隨后在教師的引導(dǎo)下，學(xué)生自行完善和豐富框架內(nèi)容，達(dá)成寫作教學(xué)目標(biāo)。這種方法主要用于初次接觸寫作學(xué)習(xí)的學(xué)生。

基于角點(diǎn)的Anchor-Free檢測(cè)網(wǎng)絡(luò)如CornerNet[18]、CornerNet-Squeeze[19]等。算法將目標(biāo)邊界框確定為一對(duì)關(guān)鍵點(diǎn)，通過檢測(cè)角點(diǎn)特征實(shí)現(xiàn)目標(biāo)的歸類與定位。CornerNet首先預(yù)測(cè)目標(biāo)框左上角與右下角關(guān)鍵點(diǎn)，再預(yù)測(cè)嵌入向量，使屬于同類物體對(duì)應(yīng)角點(diǎn)間的嵌入向量達(dá)最小值，最后使用偏置L1損失微調(diào)角點(diǎn)位置。CornerNet算法中的角點(diǎn)池化提升了角點(diǎn)的定位精度。CornerNet- Squeeze提出了新的緊湊型沙漏網(wǎng)絡(luò)，利用1×1的卷積與深度可分離卷積降低了通道數(shù)與運(yùn)算量，使CornerNet- Squeeze具有較高的檢測(cè)速度與準(zhǔn)確度?；谥行狞c(diǎn)的Anchor-Free檢測(cè)方法原理為：算法預(yù)測(cè)特征圖中每個(gè)位置屬于中心點(diǎn)的概率，利用特征熱力圖確定目標(biāo)邊框，最具代表性的為CenterNet[20]。由于無需候選框的設(shè)計(jì)與非極大抑制等操作，Anchor-Free算法檢測(cè)性能大幅提升。Anchor-Free檢測(cè)算法性能如表4所示。

文獻(xiàn)[21]提出了一種端到端的全卷積Anchor-Free網(wǎng)絡(luò)，預(yù)測(cè)船頭、船尾以及艦船中心3類關(guān)鍵點(diǎn)及角度，利用關(guān)鍵點(diǎn)生成艦船包圍框，引入了特征融合與特征增強(qiáng)模塊，對(duì)于雨霧遮擋、鄰近船舶干擾具有較好檢測(cè)魯棒性。文獻(xiàn)[22]在CenterNet基礎(chǔ)上設(shè)計(jì)了兩個(gè)優(yōu)先分支，分別用于降低假陰性與假陽(yáng)性樣本數(shù)，并結(jié)合雙向特征金字塔與YOLOv3檢測(cè)網(wǎng)絡(luò)顯著提升了相似并排船舶的檢測(cè)精度，實(shí)時(shí)性較好。針對(duì)訓(xùn)練過程中的過擬合，圖像多尺度變化導(dǎo)致計(jì)算成本過高等問題，文獻(xiàn)[23]提出了具有密集注意力機(jī)制的Anchor-Free網(wǎng)絡(luò)，使用密集注意力特征聚合獲取高分辨率特征圖，通過密集連接與迭代融合提高網(wǎng)絡(luò)的泛化性能，此外，空間與通道注意力機(jī)制的引入能夠增強(qiáng)目標(biāo)顯著性特征，對(duì)背景雜波具有較好的抑制效果。

表4 Anchor-Free目標(biāo)檢測(cè)算法性能

2.4 有向艦船檢測(cè)方法

艦船成像多為長(zhǎng)矩形，大長(zhǎng)寬比的檢測(cè)框包含復(fù)雜背景噪聲較多。以傾斜矩形框表征艦船目標(biāo)，定位更精確，可較好反映艦船目標(biāo)的方向、尺度、長(zhǎng)寬比等信息。文獻(xiàn)[24]利用雙分支回歸網(wǎng)絡(luò)獨(dú)立預(yù)測(cè)方向與其他變量，提出了基于空間變量的多級(jí)自適應(yīng)池化，使算法提取更有效的艦船特征，有效提升了艦船定位與分類準(zhǔn)確度；文獻(xiàn)[25]基于Mask R-CNN，利用船首與船尾檢測(cè)結(jié)果估計(jì)艦船方向并實(shí)現(xiàn)目標(biāo)分割，再結(jié)合船首關(guān)鍵點(diǎn)與掩膜最小邊界確定艦船的最終方向；文獻(xiàn)[26]所提算法分別預(yù)測(cè)目標(biāo)中心點(diǎn)、中心點(diǎn)偏移以及斜框尺度與方向，改進(jìn)了非極大值抑制，使其對(duì)斜框具有更好的適應(yīng)性。文獻(xiàn)[27]利用平衡特征金字塔改善多尺度艦船檢測(cè)效果，結(jié)合IoU挖掘負(fù)樣本，并采用具有平衡L1損失的旋轉(zhuǎn)區(qū)域檢測(cè)分支實(shí)現(xiàn)了復(fù)雜背景下的密集艦船目標(biāo)檢測(cè)。

卷積神經(jīng)網(wǎng)絡(luò)能夠有效提取艦船目標(biāo)的深層語(yǔ)義特征，復(fù)雜場(chǎng)景下的艦船目標(biāo)檢測(cè)任務(wù)適用性較好。有向艦船目標(biāo)檢測(cè)方法在檢測(cè)多方向、大長(zhǎng)寬比的艦船時(shí)，定位與識(shí)別效果更精確，同時(shí)對(duì)艦船數(shù)據(jù)集標(biāo)注要求更高；算法同時(shí)回歸艦船類別、位置與旋轉(zhuǎn)角導(dǎo)致檢測(cè)效率提升困難。

基于候選框的檢測(cè)方法計(jì)算候選框與真實(shí)框的重合率，利用重合率較大的候選框識(shí)別與定位目標(biāo)，大量候選框的引入提升了目標(biāo)的檢測(cè)效果，但實(shí)時(shí)性不足。基于回歸的檢測(cè)方法檢測(cè)速度顯著提升，但小型艦船目標(biāo)占據(jù)多個(gè)網(wǎng)格的概率低，導(dǎo)致算法對(duì)小目標(biāo)的定位準(zhǔn)確性較差。Anchor-Free算法不依賴錨框，利用卷積神經(jīng)網(wǎng)絡(luò)直接完成圖像輸入、關(guān)鍵點(diǎn)提取、位置回歸與尺度預(yù)測(cè)，參數(shù)設(shè)置更靈活，兼具檢測(cè)準(zhǔn)確性與實(shí)時(shí)性優(yōu)勢(shì)。有向艦船檢測(cè)方法在實(shí)現(xiàn)艦船分類的同時(shí)，回歸艦船的位置與方向，輸出檢測(cè)信息更全面，算法功能得到擴(kuò)展；由于神經(jīng)網(wǎng)絡(luò)需要同時(shí)識(shí)別艦船類別、回歸艦船位置與方向，網(wǎng)絡(luò)復(fù)雜度提升，導(dǎo)致檢測(cè)速度略有下降。總體而言，檢測(cè)精度更高、實(shí)時(shí)性更好的有向艦船目標(biāo)檢測(cè)算法具有巨大發(fā)展?jié)摿Α?/p>

3 艦船目標(biāo)檢測(cè)數(shù)據(jù)集

艦船目標(biāo)檢測(cè)任務(wù)不同，適用的深度學(xué)習(xí)目標(biāo)檢測(cè)網(wǎng)絡(luò)不同。依據(jù)艦船目標(biāo)圖像數(shù)據(jù)來源，可將艦船目標(biāo)檢測(cè)數(shù)據(jù)集劃分為基于光學(xué)遙感圖像的艦船數(shù)據(jù)，以及基于SAR圖像的艦船數(shù)據(jù)，常用數(shù)據(jù)集如表5、表6。

表5 光學(xué)遙感艦船圖像數(shù)據(jù)集

表6 SAR艦船圖像數(shù)據(jù)集

4 存在問題

復(fù)雜戰(zhàn)場(chǎng)環(huán)境下準(zhǔn)確檢測(cè)艦船目標(biāo)有利于提升武器裝備作戰(zhàn)效能，但基于深度學(xué)習(xí)的艦船目標(biāo)檢測(cè)算法多停留在理論層面，實(shí)際應(yīng)用性能有待提升，主要存在問題為：

1) 遙感圖像檢測(cè)效果受氣象條件影響大，云霧遮擋易導(dǎo)致目標(biāo)漏檢；SAR艦船檢測(cè)效果受靠岸、相似外觀散射體干擾強(qiáng)烈。復(fù)雜背景的簡(jiǎn)單融合化處理對(duì)檢測(cè)性能的提升有限，如何設(shè)計(jì)魯棒性強(qiáng)的特征提取器，應(yīng)對(duì)多角度、多尺度以及復(fù)雜岸島背景下的艦船檢測(cè)任務(wù)是研究重點(diǎn)。

2) 已有檢測(cè)模型多依賴遷移學(xué)習(xí)，將大型數(shù)據(jù)集的預(yù)訓(xùn)練權(quán)重植入網(wǎng)絡(luò)，再針對(duì)任務(wù)數(shù)據(jù)集進(jìn)行微調(diào)。微調(diào)方法可改善光學(xué)數(shù)據(jù)集檢測(cè)效果，SAR成像機(jī)理與遙感圖像差異較大，簡(jiǎn)單的參數(shù)調(diào)整不適應(yīng)SAR艦船檢測(cè)，亟需設(shè)計(jì)針對(duì)性較強(qiáng)的訓(xùn)練模式，提升SAR單通道艦船檢測(cè)算法收斂性與檢測(cè)準(zhǔn)確性。

3) 武器裝備打擊效果受艦船姿態(tài)、命中點(diǎn)影響較大?，F(xiàn)有算法仍將艦船視為點(diǎn)目標(biāo)或整體目標(biāo)標(biāo)注，無法有效檢測(cè)與打擊雷達(dá)陣面、駕駛艙等艦船要害部位。

4) 海上艦船目標(biāo)，尤其是獲取軍艦數(shù)據(jù)具有較大時(shí)間、空間上的局限性；復(fù)雜島礁背景、煙霧、角反射器等干擾信息嚴(yán)重阻礙檢測(cè)精度的提升；紅外圖像、遙感可見光圖像、SAR圖像等多角度全方位的艦船圖像數(shù)據(jù)仍然存在缺口，統(tǒng)一的艦船目標(biāo)檢測(cè)標(biāo)準(zhǔn)尚未建立。

5 改進(jìn)思路與發(fā)展趨勢(shì)

1) Focal Loss可用于改善小尺度艦船與復(fù)雜島礁背景導(dǎo)致的正負(fù)樣本不均衡問題，提升算法收斂效果。合理借鑒其他領(lǐng)域相關(guān)技術(shù)改善算法性能，如利用自然語(yǔ)言處理中的特征關(guān)系對(duì)檢測(cè)結(jié)果進(jìn)行二次判讀。此外，特征金字塔、多尺度特征融合、注意力機(jī)制等模塊能夠優(yōu)化卷積特征提取能力，可用于提升算法檢測(cè)精度。

2) 遷移學(xué)習(xí)等參數(shù)微調(diào)方法無法有效緩解過擬合，針對(duì)SAR艦船目標(biāo)等對(duì)位置敏感的檢測(cè)任務(wù)，可使用隨機(jī)初始化從頭訓(xùn)練SAR特定數(shù)據(jù)；或有效融合多模態(tài)數(shù)據(jù)，實(shí)現(xiàn)高質(zhì)量的特征細(xì)分，從而提升檢測(cè)性能。

3) 準(zhǔn)確、高效的艦船目標(biāo)檢測(cè)技術(shù)能夠提升裝備的全方位態(tài)勢(shì)感知能力。設(shè)計(jì)魯棒性強(qiáng)的特征提取器，使算法具備艦船要害部位的精確檢測(cè)能力，解算當(dāng)前命中點(diǎn)與任務(wù)打擊點(diǎn)的導(dǎo)引誤差，提升裝備精確打擊能力與毀傷效能。

4) 針對(duì)數(shù)據(jù)集目標(biāo)單一、成像質(zhì)量低等問題，可采用生成對(duì)抗網(wǎng)絡(luò)與超分辨率重建思想，基于已有數(shù)據(jù)生成高分辨率的艦船圖像，或用于遮擋、非完備艦船的特征重建，豐富訓(xùn)練樣本的同時(shí)有助于艦船目標(biāo)檢測(cè)效果的提升。

5) 加速算法落地，提升實(shí)際應(yīng)用能力。利用無人車、無人機(jī)搭載任務(wù)平臺(tái)，構(gòu)建圖像檢測(cè)與跟蹤系統(tǒng)，提升檢測(cè)模型在實(shí)際場(chǎng)景的適用性。合理配置嵌入式計(jì)算機(jī)，構(gòu)筑實(shí)時(shí)性更好、移動(dòng)性更佳、檢測(cè)性能更優(yōu)的艦船目標(biāo)檢測(cè)網(wǎng)絡(luò)，為精確制導(dǎo)武器的研制提供有力技術(shù)支撐。

6 結(jié)束語(yǔ)

針對(duì)復(fù)雜多變的海戰(zhàn)場(chǎng)局勢(shì)，高效、準(zhǔn)確的艦船目標(biāo)檢測(cè)技術(shù)有助于完善作戰(zhàn)平臺(tái)的全方位態(tài)勢(shì)感知能力、海戰(zhàn)場(chǎng)精確打擊能力，為武器裝備對(duì)海上艦船目標(biāo)的精細(xì)化選擇與精確打擊提供重要技術(shù)支撐，符合現(xiàn)代高技術(shù)戰(zhàn)爭(zhēng)發(fā)展趨勢(shì)，具有重大應(yīng)用潛力與戰(zhàn)略意義。

消除或減輕復(fù)雜環(huán)境影響是提升艦船目標(biāo)檢測(cè)精度的重要途徑。針對(duì)氣象條件多變、海雜波干擾、傳感器誤差等，需采用針對(duì)性更強(qiáng)的檢測(cè)算法。在設(shè)計(jì)特征提取器時(shí)，要綜合考慮運(yùn)算量與精度的平衡，采用卷積分解或改進(jìn)特征聚合方式實(shí)現(xiàn)模型的輕量化；合理設(shè)置網(wǎng)絡(luò)的深度與寬度，避免過擬合等問題。在數(shù)據(jù)開放的可行性及信息處理技術(shù)的推動(dòng)下，亟需建立公開的、具有一致性評(píng)價(jià)標(biāo)準(zhǔn)的艦船目標(biāo)檢測(cè)數(shù)據(jù)，供當(dāng)前及未來相關(guān)領(lǐng)域檢測(cè)算法的測(cè)試與評(píng)估。此外，快速發(fā)展的云計(jì)算技術(shù)將顯著增強(qiáng)計(jì)算機(jī)數(shù)據(jù)處理能力，有效推進(jìn)質(zhì)量更高、檢測(cè)效果更好、適用性更廣的目標(biāo)檢測(cè)算法應(yīng)用與項(xiàng)目落地。