針對(duì)復(fù)雜背景近岸艦船檢測(cè)與細(xì)粒度識(shí)別難題,提出了一種基于深度學(xué)習(xí)的新型端到端目標(biāo)識(shí)別框架,可有效檢測(cè)與識(shí)別任意方向的艦船目標(biāo)。針對(duì)艦船目標(biāo)短邊尺度較小問(wèn)題,提出了角度致密化的預(yù)設(shè)框設(shè)置方法,提高了候選區(qū)域生成時(shí)的召回率;采用改進(jìn)方位敏感型區(qū)域插值池化,減少了坐標(biāo)量化誤差,實(shí)現(xiàn)了艦船局部區(qū)域特征的精確建模;利用注意力機(jī)制下的全局與局部特征區(qū)域級(jí)融合方法,提升了區(qū)域特征的類(lèi)別判別能力,解決了細(xì)粒度艦船識(shí)別難題;針對(duì)艦船樣本稀缺性問(wèn)題,使用遷移學(xué)習(xí)提升了模型性能。構(gòu)建了一個(gè)含有25類(lèi)近岸艦船目標(biāo)的細(xì)粒度數(shù)據(jù)集,與傳統(tǒng)學(xué)習(xí)模型相比召回率提高2%,平均識(shí)別精度提高3%,對(duì)復(fù)雜背景下目標(biāo)識(shí)別具有重要實(shí)用價(jià)值。 

【文章來(lái)源】：遙感信息. 2020,35(02)北大核心

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

本文算法流程圖

圖1 本文算法流程圖式中：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。

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4 角度致密化及其影響

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)在目標(biāo)視覺(jué)檢測(cè)中的應(yīng)用進(jìn)展與展望[J]. 張慧,王坤峰,王飛躍.  自動(dòng)化學(xué)報(bào). 2017(08)
[2]局部顯著特征下的光學(xué)遙感圖像舷靠艦船檢測(cè)[J]. 李軒,劉云清,卞春江,毛博年.  中國(guó)圖象圖形學(xué)報(bào). 2016(05)



本文編號(hào)：3007185