船舶作為海上運(yùn)輸載體,其準(zhǔn)確檢測(cè)在海洋環(huán)境保護(hù)、海上漁業(yè)生產(chǎn)管理、海上交通與應(yīng)急處置及國(guó)防安全應(yīng)用中都具有重要意義和價(jià)值。目前基于目標(biāo)檢測(cè)網(wǎng)絡(luò)的遙感船舶檢測(cè)方法因末層特征分辨率不足和卷積固定的幾何結(jié)構(gòu),導(dǎo)致網(wǎng)絡(luò)難以適應(yīng)小尺度且具有隨機(jī)朝向、形態(tài)多變特征的船舶目標(biāo),進(jìn)而限制船舶檢測(cè)精度。針對(duì)該問(wèn)題,本文提出一種用于遙感影像船舶檢測(cè)的特征金字塔網(wǎng)絡(luò)建模方法。首先引入形變卷積/RoI池化模塊,以適應(yīng)朝向和形態(tài)多變的船舶目標(biāo);其次借鑒在小目標(biāo)檢測(cè)中性能出色的特征金字塔網(wǎng)絡(luò)的建模思想,采用對(duì)稱(chēng)式網(wǎng)絡(luò)和多尺度特征融合的方式進(jìn)一步融合高級(jí)語(yǔ)義和低級(jí)空間信息,提升小尺度目標(biāo)特征分辨率。在40 000幅、船舶目標(biāo)67 280余個(gè)的遙感影像數(shù)據(jù)集上的試驗(yàn)結(jié)果表明,本文方法能夠有效集成形變卷積/RoI池化和多尺度特征融合方法,相較傳統(tǒng)CNN船舶檢測(cè)方法取得明顯提升,在準(zhǔn)確率、召回率及F₁指標(biāo)上分別達(dá)到85.8%、97.9%和91.5%。 

【文章來(lái)源】：測(cè)繪學(xué)報(bào). 2020,49(06)北大核心

【文章頁(yè)數(shù)】：11 頁(yè)

【部分圖文】：

對(duì)稱(chēng)式形變特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)

y(p 0 )= ∑ p n ∈R w (p n )?x(p 0 +p n ) (2)形變卷積通過(guò)對(duì)卷積核中每個(gè)采樣點(diǎn)的位置都增加一個(gè)2維偏移量使卷積核形狀適應(yīng)物體形狀,此偏移量利用一個(gè)卷積層從輸入特征圖學(xué)到,偏移量和輸入特征圖共同輸入到后一個(gè)卷積層。形變卷積為每個(gè)特征點(diǎn)增加偏移量Δpn,其中 {Δp n | n=1,?,Ν } ,Ν=|R| ,輸出可表示為

y(i,j)= ∑ p n ∈bin(i,j) w (p n )?x(p 0 +p n + Δp i,j )/n i,j ?????? ??? (8)圖4 池化操作的感受野

【參考文獻(xiàn)】：
期刊論文
[1]基于多尺度形變特征卷積網(wǎng)絡(luò)的高分辨率遙感影像目標(biāo)檢測(cè)[J]. 鄧志鵬,孫浩,雷琳,周石琳,鄒煥新.  測(cè)繪學(xué)報(bào). 2018(09)
[2]基于可變形卷積神經(jīng)網(wǎng)絡(luò)的遙感影像密集區(qū)域車(chē)輛檢測(cè)方法[J]. 高鑫,李慧,張義,閆夢(mèng)龍,張宗朔,孫顯,孫皓,于泓峰.  電子與信息學(xué)報(bào). 2018(12)
[3]基于U型卷積神經(jīng)網(wǎng)絡(luò)的航空影像建筑物檢測(cè)[J]. 伍廣明,陳奇,Ryosuke SHIBASAKI,郭直靈,邵肖偉,許永偉.  測(cè)繪學(xué)報(bào). 2018(06)
[4]基于Ecogniton的光學(xué)遙感圖像艦船目標(biāo)檢測(cè)[J]. 陳韜亦,陳金勇,趙和鵬.  無(wú)線(xiàn)電工程. 2013(11)



本文編號(hào)：3037976