论文部分内容阅读
合成孔径雷达（Synthetic Aperture Radar,SAR）图像舰船检测及识别在交通监视、渔业管理、海难救援、国防保护等领域具有重要作用。近年来,随着人工智能兴起,深度学习为SAR舰船高性能检测及识别提供了新途径。然而,目前仍有一些挑战性问题亟待解决。对于SAR舰船检测而言,多尺度以及复杂场景影响了检测精度,大规模网络牺牲了检测速度,小场景数据束缚了检测模型大场景应用,框等级检测限制了舰船像素级表征。对于SAR舰船识别而言,过度依赖网络抽象特征降低了识别模型可信度,缺少利用雷达极化信息阻碍了识别精度的进一步提升。因此,为解决上述问题,本文开展了相关研究,主要研究内容如下:（1）针对多尺度舰船检测精度低的问题,研究了基于特征金字塔网络（Feature Pyramid Network,FPN）的多尺度SAR舰船检测。具体地,提出了一种基于变形卷积（Deformable Convolution,Deform-Conv）的特征金字塔网络Deform-FPN,实现了多尺度舰船自适应几何建模。此外,还提出了一种四元级联特征金字塔网络QuadFPN,实现了多尺度舰船特征的渐近式尺度信息增强交互。最终,在公开的多尺度边界框SAR舰船检测数据集（Bounding Box SAR Ship Detection Dataset,BBox-SSDD）上的实验结果表明,Deform-FPN和Quad-FPN改善了多尺度SAR舰船检测精度。（2）针对复杂场景下舰船检测精度低的问题,研究了基于平衡学习（Balance Learning,BL）的复杂场景SAR舰船检测。具体地,提出了一种平衡场景学习机制（Balance Scene Learning Mechanism,BSLM）,实现了靠岸复杂场景的训练样本自动扩增和复杂场景样本重点学习。此外,还提出了一种综合平衡学习网络（BL Network,BL-Net）,实现了模型在数据级、采样级、特征级和任务级的多等级平衡。最终,在公开的复杂场景高分辨率SAR图像数据集（High-Resolution SAR Images Dataset,HRSID）上的实验结果表明,BSLM和BL-Net提高了复杂场景SAR舰船检测精度。（3）针对大规模网络牺牲舰船检测速度的问题,研究了基于轻量级模型的快速SAR舰船检测。具体地,提出了一种基于深度可分离卷积的网络模型（Depthwise Separable Convolution Neural Network,DS-CNN）,减少了网络参数和模型计算成本。此外,还提出了一种基于结构优化和特征增强的超轻量型网络（Hyper Lightweight Network,Hyper Li-Net）,实现了检测精度与检测速度的联合优化。最终,在公开的早期SAR舰船检测数据集（SAR Ship Detection Dataset,SSDD）上的实验结果表明,DS-CNN和Hyper Li-Net能在保证良好检测精度的前提下提高SAR舰船检测速度。（4）针对小场景数据束缚检测模型大场景应用的问题,研究了基于Sentinel-1的大场景SAR舰船检测。具体地,构建了基于Sentinel-1的大场景小目标SAR舰船检测数据集LS-SSDD-v1.0,分析了该数据集在大场景海洋监视中的优势和潜在价值。此外,还提出了一种基于纯背景混合训练（Pure Background Hybrid Training,PBHT）的虚警抑制方法,减少了大场景舰船检测的陆地虚警。最终,实验结果表明LS-SSDD-v1.0和PBHT有助于检测模型大场景的迁移应用。（5）针对框等级检测限制舰船像素级表征的问题,研究了基于实例分割的像素级SAR舰船检测。具体地,提出了一种全等级（Full-Level,FL）上下文（Context）压缩激励型（Squeeze-and-Excitation,SE）感兴趣区域提取器（Regions Of Interest Extractor,ROIE）和掩模增强预测（Mask Enhancement Prediction,MEP）的网络FL-CSE-ROIEMEP-Net,实现了精细化舰船像素预测。此外,还提出了一种掩模注意型交互（Mask Attention Interaction,MAI）和多尺度增强（Multi-Scale Enhancement,MSE）网络MAIMSE-Net,实现了更精确的多尺度舰船像素预测。最终,在公开的像素级多边形分割SAR舰船检测数据集（Polygon Segmentation SSDD,PSeg-SSDD）上的实验结果表明,FL-CSE-ROIE-MEP-Net和MAI-MSE-Net实现了优越的SAR舰船像素级表征。（6）针对过度依赖网络抽象特征而降低识别模型可信度的问题,研究了基于传统手工特征融合的SAR舰船识别。具体地,提出了一种基于方向梯度直方图（Histogram of Oriented Gradient,HOG）特征融合的识别网络HOG-Ship CLS-Net,实现了网络抽象特征与传统手工特征的有机结合。此外,还提出了一种其他通用化传统特征融合方法,将该项网络特征与传统手工特征相融合的技术进行通用化应用推广。最终,在公开的Sentinel-1 Open SARShip-3三分类数据集和Gao Fen-3 FUSARShip-7七分类数据集上的实验结果表明,HOG-Ship CLS-Net和其他通用化传统特征应用推广方法可以改善SAR舰船识别精度,可潜在地增强识别模型的可信度。（7）针对缺少利用雷达极化信息可能阻碍识别精度进一步提升的问题,研究了基于雷达极化信息融合的SAR舰船识别。具体地,提出了一种SE型极化多通道注意和拉普拉斯金字塔网络（Laplacian Pyramid Network,LPN）多分辨分析的双极化特征融合（Dual-Polarization Feature Fusion,DPFF）网络SE-LPN-DPFF,实现了由粗到细的极化特征精炼提取。此外,还提出了一种多等级极化融合和几何特征自适应嵌入的网络PFGFE-Net,实现了数据级、特征级和决策级的多等级极化融合几何特征的自适应联合决策。最终,在公开的双极化复数格式Sentinel-1 Open SARShip-3-Complex三分类数据集和Open SARShip-6-Complex六分类数据集上的实验结果表明,SE-LPN-DPFF和PFGFE-Net进一步提升了SAR舰船识别精度。