文献类型：期刊文章

作　　者：姚红革[1] 王诚[1] 喻钧[1] 白小军[1,3] 李蔚[2]

YAO Hongge;WANG Cheng;YU Jun;BAI Xiaojun;LI Wei(College of Computer Science and Engineering,Xi'an Technological University,Xi'an 710021,China;Technological Center,Xi'an Technological University,Xi'an 710021,China;Key Lab of Electronic Information Processing with Applications in Crime Scene Investigation,Ministry of Public Security,Xi'an 710121,China)

机构地区：[1]西安工业大学计算机科学与工程学院,西安710021 [2]西安工业大学工业中心,西安710021 [3]电子信息现场勘验应用技术公安部重点实验室,西安710121

出　　处：《遥感学报》

年　　份：2020

卷　　号：24

期　　号：2

起止页码：116-125

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：船舶作为海上的重要目标,实现对船舶自动识别有重要的意义。针对卫星图像中云雾、海岸背景等复杂海情对船舶识别带来的干扰,以及小目标船舶高漏检率问题,本文提出一种多尺度深度学习模型训练策略,在此基础上构建了一种船舶识别的深度学习网络,该网络可分为多尺度训练、特征提取、生成目标建议区域、船舶分类这4个部分。首先,采用多尺度的训练策略,将多尺度的船舶样本送入网络中进行训练,这样在训练样本中加入了大量小目标船舶的样本,使网络充分提取到小目标船舶的特征;其次,通过卷积神经网络对目标船舶进行特征自适应提取;然后,目标区域建议网络可依据卷积神经网络提取到的特征,在图像中找到感兴趣目标区域,即框定船舶的位置;最后,通过多个全连接层的组合,将高维特征映射到一个4元组中,再运用分类函数输出每一类船舶的概率值,概率值最大的则为该船舶的类别。同时为解决云雾遮挡和海岸背景的干扰,采用了一种负样本增强学习的方法,在样本数据集中加入了大量只含有云雾和海岸背景的图片,进行负样本扩充,增强网络模型对云雾及海岸背景的特征学习能力,以此解决复杂海情的影响。实验结果表明,所提方法有效解决了复杂海情条件下的船舶识别难,以及小目标船舶识别难的问题,实现了复杂海情条件下的船舶识别。同时,与现有成熟的深度学习目标识别算法相比,本文算法的精确度和召回率分别提升了6.98%和18.17%,所训练的模型具有良好的泛化能力和鲁棒性。

关 键 词：遥感 船舶识别 复杂海情  多尺度 细粒度 深度学习  

分 类 号：U675.79] TP391.41]