光學(xué)遙感圖像船舶檢測主要面臨兩個挑戰(zhàn):光學(xué)遙感圖像背景復(fù)雜,船舶檢測易受海浪、云霧及陸地建筑等多方面干擾;遙感圖像分辨率低,船舶目標(biāo)小,對于其分類與定位帶來很大困難;針對上述問題,在FPN的基礎(chǔ)上,提出一種融入顯著性特征的卷積神經(jīng)網(wǎng)絡(luò)模型A-FPN （Attention-Based Feature Pyramid Networks）。首先,利用卷積提取圖像特征金字塔;然后,利用頂層金字塔逐級構(gòu)建顯著特征層,抑制背景信息,通過金字塔頂層的細(xì)粒度特征提高淺層特征的表達(dá)能力,構(gòu)建自上而下的多級顯著特征映射結(jié)構(gòu);最后利用Softmax分類器進(jìn)行多層級船舶檢測。A-FPN模型利用顯著性機制引導(dǎo)不同感受下的特征進(jìn)行融合,提高了模型的分辨能力,對遙感圖像處理領(lǐng)域具有重要應(yīng)用價值。實驗階段,利用公開的遙感目標(biāo)檢測數(shù)據(jù)集NWPU VHR-10中的船舶樣本進(jìn)行測試,準(zhǔn)確率為92.8%,表明A-FPN模型適用于遙感圖像船舶檢測。 

【文章來源】：遙感學(xué)報. 2020,24(02)北大核心

【文章頁數(shù)】：9 頁

【部分圖文】：

算法流程圖

本文在構(gòu)建卷積特征金字塔時參考FPN，采用ResNet結(jié)構(gòu)，其殘差模塊有模塊1和模塊2兩種形式，如圖2所示，模塊1將輸入X1直接與卷積后的輸出F(X1)相加，模塊2采用{1×1,3×3,1×1}形式的卷積，并且由于模塊2內(nèi)部存在升維操作，因此對輸入X2做1×1卷積的升維處理，然后與輸出F(X2)相加。本文在構(gòu)建特征金子塔時選擇模塊2。2.2 顯著性特征網(wǎng)絡(luò)原理

圖3綠色虛線和紫色虛線分別表示兩種不同掩碼圖的計算原理。其中Gp,c(x)表示利用深層特征上采樣得到與原淺層特征尺寸相同的上采樣特征，圖中紅色虛線的部分表示Gp,c(x)中2維空間一點在其所有通道上的數(shù)據(jù)。圖3中的Sigmoid函數(shù)屬于歸一化‘S’形曲線，將多維空間（2維幾何空間p與‘多維光譜空間’c）每一點x歸一化，因此Gp,c(x)1屬于混合全空間掩碼，Np,c(x)2在每一個2維空間位置，在其‘多維光譜空間’c中，利用Softmax函數(shù)將其歸一化，屬于‘多維光譜掩碼’，最后經(jīng)過實際測試，如表1所示，Np,c(x)1在NWPU VHR-10測試集的調(diào)和均值F為92.8%，而Np,c(x)2只有88.0%，因此本文采用第一種掩碼圖。

【參考文獻(xiàn)】：
期刊論文
[1]SAR圖像復(fù)合分布船只檢測模型[J]. 陳鵬,劉仁義,黃韋艮.  遙感學(xué)報. 2010(03)
[2]基于引力場增強的SAR圖像艦船檢測方法研究[J]. 田巳睿,孫根云,王超,張紅.  遙感學(xué)報. 2007(04)



本文編號：2987743