论文部分内容阅读
随着海运行业的不断发展,海上交通日趋频繁,做好海上安防、海洋环境监测、海上船只监测等工作以及开展相关研究的意义就尤为重要。目前国内外主要是基于合成孔径雷达(Synthetic Aperture Radar,SAR)图像的船只进行识别,并以传统机器学习方法为主,但随着近些年深度学习的快速发展,越来越多的学者开始采用深度学习的方法对SAR图像船只的识别工作开展研究,同时由于光学传感器、无人机等设备的发展,光学图像因其分辨率高,有更好的目判性以及有更多的特征信息等优点,基于光学图像的船只识别也成为新的研究方向。因此基于深度学习方法,结合SAR图像和光学图像开展船只检测和分类的研究有重要意义。本文主要基于深度学习的方法对海上船只识别开展研究,主要内容如下:(1)提出了一种基于改进区域全卷积神经网络(R-FCN)的船只识别方法,应用在光学图像船只数据集中。首先,根据船只识别的目标小,数量多的特性,将特征层数量提升为21层,提升了特征信息的维度,同时在一定程度上避免了模型失调的可能;其次,模型将ROI Pooling层中的全局平均值池化改为全局最大值池化,从而提升了特征信息的数量,有效地保留了小目标的图像信息特征,避免由于卷积层参数的误差而导致部分均值偏移;最后又加入了ROIAlign特性,提出了取消量化操作,使用双线性内插法进行特征点的计算,从而将特征提取过程转化为一个连续的特征采样过程,使得小目标船只检测的性能大大提升,该方法有效提升了船只的识别率。(2)在YOLO v3网络的基础上,提出了一种基于深度特征增强的SAR图像船只识别方法,并比较了增强前后的SAR图像船只检测与识别的性能。首先,加强了特征提取深度,通过修改上采样层位置,提升卷积层数量等方式,对目标图像的特征信息进行增强;其次,对于现有图像数据集进行预锚框anchor的重新计算,以进一步提高准确率,对目标图像的位置信息进行增强;最后,在回归框方面,使用GIoU方式代替了传统的IoU回归,有效提高目标回归的准确性,对目标图像的回归信息进行了增强。相比于其他检测方法,在mAP的性能指标与FPS的性能指标中,均有较大提升。(3)提出了一种基于特征信息改进的SAR图像船只识别方法,并比较了特征信息改进前后的SAR图像船只检测与识别的性能。首先,引入Xception与EfficientNet B7对网络结构进行调整,使得引入网络的结构大小符合原YOLO v3的模型网络结构,进而替代原有的DarkNet-53网络,从而加强了特征提取的有效性。其次,使用ImageNet中去除全连接层的网络权重,用以稳定训练初期Loss波动较大的状况,从而加强了特征提取的稳定性。最后,引入DIoU算法代替原有的GIoU算法,使得网络的回归框效能进一步提升,从而加强了小目标船只回归框的准确性。该方法使模型在SAR图像数据集中的性能得到极大发挥。