论文部分内容阅读
遥感船只图像检测不仅是海洋信息研究的重要应用方向,也在民用工业领域发挥着重要作用。主要任务有:在广大海域、湖面视场的图像中对目标船只快速检测、定位,并进一步根据目的进行分类、分割。这方面的研究无论对军事还是民用都意义非凡。由于船只图像在尺度,外观上与日常图像的差异使得船只检测任务相对困难。另一方面,近年来由于深度卷积神经网络的发展,使得目标检测任务指标显著提高。但是,在船只检测方面却甚少。因此,本文提出了将深度卷积网络的目标检测应用于船只检测。现在,基于深度卷积神经网络提出的目标检测方法主要有两阶段的Region based on Convolutional Neural Network(RCNN)系列以及单阶段的You Only Look Once(YOLO),Single Shot Multi Box Detector(SSD)。本文围绕遥感船只图像复杂场景和图像中目标船只尺寸较小以及船只狭长的特征,基于Faster-RCNN和Mask-RCNN算法框架分别从检测和分割两个方向介绍船只图像的解译过程。Faster-RCNN包括骨架网络(Backbone)、区域建议网络(RPN)、Fast-RCNN三部分。Mask-RCNN包含Res Net01+特征金字塔网络(Feature Pyramid Network,FPN)、Faster-RCNN、mask分支三部分。本文主要内容如下:(1)首先分别介绍基于传统方法和基于深度学习的船只检测的发展现状。(2)简述深度学习领域基础概念和常用的深度卷积网络架构。(3)数据预处理:对数据集中样本统计,去除负样本,将清洗过的数据集分别制作成COCO格式和Poscal_VOC格式数据集,将数据集分为训练集,验证集,测试集,对训练集做数据增强预处理。(4)基于Faster-RCNN的检测方案,提出优化的锚框设计方案:将锚框长宽比和锚框尺度分别设计为[16,32,64],[0.2,1/3.0,1,3,5];并在RPN和Fast-RCNN部分将非极大值抑制(Non-Maximum Suppression,NMS)改为soft-NMS。(5)基于Mask-RCNN的分割方案,提出优化锚框设计方法,将锚框长宽比和锚框尺度分别设计为[1/3.0,1,3],[16,32,64,128,256],在RPN和Fast-RCNN部分将NMS改为sof-NMS。(6)本文工作总结和展望。