船舶作為海上運輸載體,其準確檢測在海洋環(huán)境保護、海上漁業(yè)生產管理、海上交通與應急處置及國防安全應用中都具有重要意義和價值。目前基于目標檢測網絡的遙感船舶檢測方法因末層特征分辨率不足和卷積固定的幾何結構,導致網絡難以適應小尺度且具有隨機朝向、形態(tài)多變特征的船舶目標,進而限制船舶檢測精度。針對該問題,本文提出一種用于遙感影像船舶檢測的特征金字塔網絡建模方法。首先引入形變卷積/RoI池化模塊,以適應朝向和形態(tài)多變的船舶目標;其次借鑒在小目標檢測中性能出色的特征金字塔網絡的建模思想,采用對稱式網絡和多尺度特征融合的方式進一步融合高級語義和低級空間信息,提升小尺度目標特征分辨率。在40 000幅、船舶目標67 280余個的遙感影像數據集上的試驗結果表明,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船舶檢測方法取得明顯提升,在準確率、召回率及F₁指標上分別達到85.8%、97.9%和91.5%。 

【文章來源】：測繪學報. 2020,49(06)北大核心

【文章頁數】：11 頁

【部分圖文】：

對稱式形變特征金字塔網絡結構

y(p 0 )= ∑ p n ∈R w (p n )?x(p 0 +p n ) (2)形變卷積通過對卷積核中每個采樣點的位置都增加一個2維偏移量使卷積核形狀適應物體形狀,此偏移量利用一個卷積層從輸入特征圖學到,偏移量和輸入特征圖共同輸入到后一個卷積層。形變卷積為每個特征點增加偏移量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】：
期刊論文
[1]基于多尺度形變特征卷積網絡的高分辨率遙感影像目標檢測[J]. 鄧志鵬,孫浩,雷琳,周石琳,鄒煥新.  測繪學報. 2018(09)
[2]基于可變形卷積神經網絡的遙感影像密集區(qū)域車輛檢測方法[J]. 高鑫,李慧,張義,閆夢龍,張宗朔,孫顯,孫皓,于泓峰.  電子與信息學報. 2018(12)
[3]基于U型卷積神經網絡的航空影像建筑物檢測[J]. 伍廣明,陳奇,Ryosuke SHIBASAKI,郭直靈,邵肖偉,許永偉.  測繪學報. 2018(06)
[4]基于Ecogniton的光學遙感圖像艦船目標檢測[J]. 陳韜亦,陳金勇,趙和鵬.  無線電工程. 2013(11)



本文編號：3037976