论文部分内容阅读
舰船检测和分类对于国家海洋安全和国防具有重要意义。目前广泛使用的是基于SAR(Synthetic Aperture Radar)图像的舰船检测方法,但是由于SAR传感器数量有限、分辨率较低、重访周期较长,使得这些方法不能满足实际应用的需要。随着海量高分辨率光学遥感图像的出现,基于光学遥感图像的舰船检测和分类成了一项研究热点,并且已经在海洋安全和海洋交通管制等应用领域中引起了关注。当前的基于光学遥感图像的舰船检测和分类方法大多面临着精确度、性能和复杂度方面的问题。最近,针对海域舰船目标的检测,科研人员已经提出了一个结合基于自动编码器的深度神经网络和极限学习机的方法,但是由于它只能处理简单的小规模的数据集,所以仍不能满足实际应用的需求。 本文提出了一个基于深度学习的舰船检测和分类方法,包括三个部分:舰船候选目标提取(获得单目标图像切片)、基于深度学习的舰船目标检测(区分舰船与非舰船目标)、基于深度学习的舰船目标分类(区分舰船的种类)。首先,由图像增强、目标-背景分割以及舰船候选目标定位完成舰船候选目标提取;然后,建立并训练深度卷积神经网络(Deep Convolutional Neural Network,DCNN)模型进行舰船目标检测;最后,利用残差学习网络(Residual Learning Network,ResNet)模型思想建立并训练舰船分类器。基于残差学习网络的舰船分类器是为了克服DCNN在误差反向传播时的梯度消失问题而提出的。另外,本文对分类器模型进行了性能的优化,为了在加深网络结构时不引起模型训练计算量的增加,在模型中加入了能起到降维作用的Inception模块;为了加速模型训练的收敛速度,对每一层的输入进行批归一化(Batch Normalization,BN)。 本文实现了舰船候选目标提取、舰船目标检测、舰船分类三个功能模块。本文从谷歌地球下载了具有较高空间分辨率的光学遥感图像,并构建了数据集。 最后,本文提出的方法在舰船检测中达到了99%的准确率,在10类舰船的分类中达到了95%的准确率。在舰船分类中,本文还与BP神经网络(Back Propagation Neural Network)和SVM(Support Vector Machine)两种方法进行了对比,结果明显地体现了本文所提出的方法的优势。实验结果还表明,在数据集比较复杂时,ResNet比简单堆叠式的DCNN分类模型有更好的收敛性。另外,通过使用基于CUDA的并行计算技术,在单个Nvidia TitanX GPU上进行模型训练时,达到了75倍的加速。