董志鹏

自然资源部第一海洋研究所,山东 青岛 266061

高分辨率遥感影像目标检测作为高分对地观测系统中影像信息自动提取及分析理解的重要内容,对高分对地观测系统应用价值的发挥具有重要影响。卷积神经网络作为最热门的深度学习模型,由于其可以根据海量数据和标注自行进行有效图像特征提取和学习,在训练数据充足的情况下,模型具有良好的泛化能力,能够在复杂多变的条件下依然保持良好的稳健性和普适性。因此,基于卷积神经网络的目标检测架构被相继提出,但现有网络架构多是针对自然图像设计的,相对于自然图像,高分辨率遥感影像存在背景更加复杂、目标尺度更小、同类目标尺度变化更大和影像尺寸更大等特点;将这些网络架构直接用于高分辨率遥感影像目标检测会存在网络目标建议框尺度不匹配,待检影像相对于网络输入过大,以及缺乏训练数据等问题。针对上述问题,论文系统性地开展基于卷积神经网络的高分辨遥感影像目标检测方法研究。主要研究内容如下。

(1) 建立了两个大规模高分辨率遥感影像目标检测数据集WHU-RSONE和WHU-RSONE 2.0。WHU-RSONE数据集影像采集于谷歌地球、天地图、高景一号和高分二号影像。WHU-RSONE包含5977幅影像,影像大小为600×600～1372×1024像素,分辨率为0.5～0.8 m。WHU-RSONE包含51 866个目标,其中15 703个飞机、24 692个存储罐和11 471个船只。WHU-RSONE 2.0是一个大尺度影像目标检测数据集,数据集影像为高分二号全色影像。WHU-RSONE 2.0包含110幅影像,影像大小为5000×5000像素,分辨率为0.8 m。WHU-RSONE 2.0包含7027个目标,其中2597个飞机、2635个存储罐和1795个船只。该研究为高分辨率遥感影像目标检测方法的研究奠定了良好的数据基础。

(2) 提出了高分辨率遥感影像目标尺度特征的卷积神经网络检测方法。首先,通过对数据集中的影像目标尺度大小进行统计分析,获得遥感影像目标合适的尺度范围。然后,根据合适的遥感影像目标尺度范围,设计适合高分辨率遥感影像目标尺度特征的卷积神经网络检测架构。该研究可以更好地解决高分辨率遥感影像目标检测中目标尺度小、同类目标尺度变化较大的问题。

(3) 提出了多尺度分块融合的大尺寸高分辨率遥感影像目标检测方法。首先,通过将大尺寸遥感影像分割为不同尺寸大小的影像块,统计不同大小的影像块进行目标检测时,各类目标的average precision(AP)值大小,获得各类目标AP值最大时对应的影像块尺寸,即获得各类目标检测最优时影像的分块尺寸。然后,将各类目标最优影像分块尺寸的目标检测结果融合叠加,使用软非极大值抑制算法消除冗余的目标检测结果,获得各类目标AP值均最优的影像检测结果,即获得大尺寸影像目标检测结果。该研究为大尺寸高分辨率遥感影像目标检测提供最优分块策略。

(4) 提出了基于嵌入式GPU高分辨率遥感影像卷积神经网络目标检测方法,实现了遥感影像在轨目标检测。通过星地协同处理的方式,首先在地面服务器上训练卷积神经网络目标检测架构的参数模型;然后将卷积神经网络架构和参数模型移植到嵌入式GPU内,从而实现高分辨率遥感影像在轨目标检测。该研究为基于嵌入式GPU实现高分辨率遥感影像卷积神经网络在轨目标检测提供理论与技术支撑。