夏文辉, 万剑华, 郑红霞, 许明明, 曲川萍

基于深度学习的光学遥感影像舰船检测算法对比分析

夏文辉, 万剑华, 郑红霞, 许明明, 曲川萍

(中国石油大学(华东) 海洋与空间信息学院, 山东 青岛 266580)

舰船目标检测是进行海洋环境监管, 保障海上权益的重要手段。基于深度学习的目标检测算法能在复杂环境下保持良好性能, 为测试不同深度学习目标检测算法在舰船检测中的效果, 构建了一个包含3 893张图像的数据集, 涵盖了复杂背景下不同类型的舰船, 基于此数据集分别采用Faster RCNN、SSD、RetinaNet、YOLOv3、YOLOv4算法进行实验, 结果表明, YOLOv4、YOLOv3、RetinaNet、Faster RCNN平均精度均在83%以上, 其中YOLOv4最高达到91.77%, Faster RCNN误检较多, 而SSD平均精度最低, 只有79.23%, 总的舰船检测数目偏少。将5种模型训练结果在高分二号影像上进行测试, 得到较好的检测效果, 对舰船检测未来理论研究的开展具有一定的指导意义。

遥感; 目标检测; 舰船; 深度学习

舰船作为海上重要的运输载体, 其自动检测具有非常重要的现实意义[1]。现有的舰船研究工作大部分都是基于SAR影像[2-3], 而光学遥感影像与SAR影像相比具有更高的分辨率和更直观的图像可读性, 能够提供更丰富的细节信息。因此, 基于光学遥感影像的舰船目标检测逐渐成为研究热点[4]。

传统舰船检测方法主要包括海陆分割、舰船预检与舰船识别3个流程, 其主要通过提取舰船目标的灰度特征、形状特征、纹理特征等进行多特征联合检测。Zhu等基于形状和纹理特征并引入纹理算子局部多值模式(local multiple patterns, LMP)来增强特征集在特征提取中的表示能力[5]。……