基于深度学习的双阶段舰船检测算法研究
光学遥感图像中的舰船检测这一任务是我国国防安全的一个重要任务。我国拥有广阔的水域面积，通过可见光遥感对海上航道和内陆航道进行监控，可以有效地提高水上运输的安全性，并且可以有效地提高港口的调度能力。随着遥感技术的不断发展，遥感图像的分辨率也在不断地提高，遥感图像质量的提高给我们带来更加丰富的图像信息的同时，也为我们对图像的分析增加了一定的难度。 本文将舰船检测任务拆解为粗分割和细分割两个阶段。在粗分割阶段，进行水陆分割，得到图像的水陆语义信息，生成陆地掩模，从而将陆地部分屏蔽，降低复杂的陆地背景对舰船检测的干扰。在细分割阶段，在水陆分割的基础之上，对屏蔽陆地后的图片进行舰船目标的检测。 首先，本文在粗分割阶段实现水陆分割，基于经典语义分割网络SegNet，本文提出了改进的SegNet_plus水陆分割网络，改进方向如下，改进一:设计了一个高分辨率的输入层，使得图片进入网络时具有更加丰富的图像细节；改进二:设计了编码块(Encoder Block)和解码块(DecoderBlock)结构，块内使用普通卷积和空洞卷积双路结构，综合利用了物体自身的特征和周围环境的特征，使得网络提取到的特征更加丰富。改进三：在SegNet网络原有残差连接基础上，在EncoderBlock和DecoderBlock结构内增加残差连接，减少网络传播过程中的梯度消失现象。本文所提出的算法在自建数据集上的F1-score达到了97.33%，高于本文中所对比的其他算法。 接着，本文在细分割阶段，在目标检测网络SSD的基础上做了改进，提出了SSD_plus网络结构，改进如下，改进一：设计了高分辨率的输入层，减少了物体的信息丢失，并根据输入层的尺寸相应的调整了网络的结构，加深了网络的深度，提高了网络对物体的识别能力；改进二：利用K-means算法对自建数据集的舰船目标进行聚类，使得defaultbox的纵横比设定更加合理。基于上述改进，使用SSD_plus网络在自建数据集上的检测率为71.44%，高于本文中所对比的其他算法。除此以外，本文提出的是一种双阶段的检测方法，即SegNet_plus+SSD_plus。在检测舰船时，首先根据水陆分割的结果生成陆地掩模，并对陆地掩模做图形学处理进行微调，利用陆地掩模屏蔽陆地，对屏蔽陆地后的图片利用SSD_plus进行目标检测。SegNet_plus+SSD_plus的方法在自建数据集上的mAP值为74.50%，高于仅使用SSD_plus的结果，也验证了SegNet_plus水陆分割网络的有效性。 最后，本文利用Python语言和PyQt、Tensorflow、Tensorboard、MySQL等开发工具，将水陆分割所提出的SegNet_plus算法和舰船检测所提出的SSD_plus算法进行了集成，设计出了一套舰船检测系统。
遥感图像;深度学习;水陆分割;舰船检测
东南大学
硕士
控制科学与工程
李新德
2019
中文
U675.7;TP751
2020-07-02（万方平台首次上网日期，不代表论文的发表时间）