- · 《遥感学报》栏目设置[09/01]
- · 《遥感学报》数据库收录[09/01]
- · 《遥感学报》投稿方式[09/01]
- · 《遥感学报》征稿要求[09/01]
- · 《遥感学报》刊物宗旨[09/01]
来稿应自觉遵守国家有关著作权法律法规，不得侵犯他人版权或其他权利，如果出现问题作者文责自负，而且本刊将依法追究侵权行为给本刊造成的损失责任。本刊对录用稿有修改、删节权。经本刊通知进行修改的稿件或被采用的稿件，作者必须保证本刊的独立发表权。 一、投稿方式： 1、 请从 我刊官网 直接投稿 。 2、 请 从我编辑部编辑的推广链接进入我刊投审稿系统进行投稿。 二、稿件著作权： 1、 投稿人保证其向我刊所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、 投稿人保证向我刊所投之稿件，尚未在任何媒体上发表。 3、 投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、 投稿人向我刊所投之作品不得同时向第三方投送，即不允许一稿多投。 5、 投稿人授予我刊享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、 第5条所述之网络是指通过我刊官网。 7、 投稿人委托我刊声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。
复杂卫星图像中的小目标船舶识别(3)
作者:网站采编关键词:
摘要：本文因采用RPN和Fast RCNN两部分网络结构进行船舶细粒度识别，由于在训练过程中无法直接采用跨网络反向传播算法，故采用如下分阶段交替训练方法。 第
本文因采用RPN和Fast RCNN两部分网络结构进行船舶细粒度识别，由于在训练过程中无法直接采用跨网络反向传播算法，故采用如下分阶段交替训练方法。
第1阶段，训练RPN。先采用ImageNet预训练的模型（M0）来初始化RPN网络，接着用数据来训练它，训练完成后得到模型M1。
第2阶段，训练Fast RCNN。同样采用ImageNet预训练的模型（M0）来初始化Fast RCNN网络，然后使用第1阶段训练好的RPN网络来获得建议区域P1，再用P1来训练Fast RCNN网络，训练完成后得到模型M2。
第3阶段，再次训练RPN网络。用M2来初始化RPN网络并训练得到M3网络，这一阶段只是微调了RPN的参数，设定特征提取部分的网络参数。
第4阶段，再次训练Fast RCNN网络。使用M3网络来初始化Fast RCNN网络，然后使用第3阶段训练好的RPN网络来获得建议区域P2，利用P2来训练Fast RCNN网络，这一阶段只是微调了Fast RCNN全连接层参数。这样，两个网络共享卷积层，构成一个统一的网络。具体每个阶段的迭代次数如表1所示。
表1 船舶识别网络模型训练过程Table 1 The training process of ship recognition network modelimages/BZ_17_237_2617_1191_2682.png1 2 3 4 RPN Fast RCNN RPN Fast RCNN
本文算法使用端到端网络进行船舶细粒度识别，避免了传统识别算法中多阶段训练数据缓存的麻烦，提升了识别速率和精度，实现了船舶细粒度快速、精确的识别。
3 实验和分析
3.1 实验数据集
数据集来源于DataFountain（2017），由大量恶劣天气条件下的卫星图像所构成，卫星图像中主要包括货轮、邮轮、渔船、游艇4类船只。部分样本图像如图5所示。
图5 部分样本图像Fig.5 Part of sample images
在实验中，数据集由张图片构成，其中货船标记数量为，邮轮为8028，游艇为，渔船为，另外还选取了5000张含雾、陆地背景的图片作为两类样本进行负样本增强学习。由于深度学习中，在进行目标识别时，背景也为一类，因此本实验共设置为7类。
为评估本文算法实现细粒度船舶识别的有效性，使用精确度（Precision）和召回率（Recall）来衡量所建模型性能。召回率和精确度的取值范围均在［0，1］，如式（6）和式（7）
式中，TP为正确识别样本数，FP为误检样本数，FN为漏检样本数。
3.2 特征提取网络的对比
本文先利用GoogleNet、VGG-16、ResNet50以及ZF网络进行特征提取，对测试集中的80幅卫星图像进行船舶细粒度识别效果对比，识别的精确度和检测速率如表2所示。
表2 不同特征提取方法识别时间对比Table 2 Comparison of recognition time of different feature extraction methodsimages/BZ_18_237_1046_1191_1111.pngGoogleNet VGG-16 ResNet50 ZF 86.68 93.08 94.23 92.27 0.106 0.267 0.387 0.128
由于特征提取的网络结构不同，结构越复杂，所提取的特征也越精细，识别精确度也越高（表2）。但同时，虽然能够提取到高层特征，识别的时间消耗代价也越大，无法满足实时性的要求。通过数据对比可知，ZF网络虽然识别精度和识别速率都稍逊于其他方法，但从识别精度和实时性两方面综合考虑，文中所采用的ZF特征提取网络更加符合项目需求。
3.3 负样本增强识别效果对比
为验证所采用负样本增强学习方法的有效性，将云雾以及海岸背景作为训练负样本，参与网络模型的训练，同时将未增加负样本训练的模型和增加负样本训练的模型两种方法进行对比，识别效果如图6和图7所示。
图6 未进行负样本增强学习的识别效果Fig.6 The recognition results without negative sample enhancement learning
图7 负样本增强识别效果对比Fig.7 The recognition results with negative sample enhancement
对比图6（a）和图6（b）可知，通过负样本增强学习的方法，所训练的模型没有出现漏检和误检的情况，准确的识别出了岸基干扰下的货船和云雾遮挡下的邮轮及货船等船舶目标，船舶目标的置信度也有所提升。而图7（a）和图7（b），所训练的网络模型将岸上的建筑目标误检为货船，云雾遮挡下的邮轮没有能够识别，造成了误检和漏检的情况，进一步验证所采用的负样本增强学习方法的有效性。
3.4 相同海况下两种算法的对比
另外，为验证本文多尺度和负样本增强学习训练策略的有效性，将本文算法与FRCN进行实验对比，从训练集中选取100张图片（包含341艘船）进行测试，两种算法的Precision、Recall值如表3所示。
表3 两种算法的检测效率对比Table 3 Comparison of the detection efficiency of the two algorithmsimages/BZ_19_1288_557_2242_677.pngFRCN本文算法251 313 44 27 44 28 85.08 92.06 73.61 91.78
文章来源：《遥感学报》 网址: http://www.ygxbzz.cn/qikandaodu/2021/0409/597.html