摘要

针对大场景遥感图像舰船目标的快速检测问题，文章设计了一种级联型卷积神经网络检测框架。该检测框架由目标预筛选全卷积网络(P-FCN)和目标精确检测全卷积网络(D-FCN)两个全卷积级联而成。P-FCN是一个轻量级的图像分类网络，负责对大场景图像中可能的舰船区域进行快速预筛选，其层数少、训练简单，候选框架冗余较少，能够减少后续网络的计算负担；D-FCN是一个改进的U-Net网络，通过在传统U-Net结构中加入目标掩膜和舰船朝向估计层以后进行多任务的学习，实现任意朝向舰船目标精细定位。文章分别是用了TerraSAR-X雷达遥感图像和从91位图、DOTA数据集中获得的光学遥感图像对算法进行了测试，结果表明该方法的检测准确率为0.928和0.926，与传统滑窗法相当，但目标检测时间仅为滑窗法的1/3左右。文章所提的级联卷积神经网络框架在保持检测精度的前提下能显著提高目标检测效率，可实现大场景遥感图像中舰船目标的快速检测。
遥感图像目标检测是遥感技术领域研究的重要课题之一，基于遥感图像的舰船检测在民用和军事领域得到广泛关注。传统的遥感图像目标检测方法主要采用从粗到细的多步骤策略，一般包括预处理、海陆分离、感兴趣区域提取、目标鉴别等。这种多步骤策略各步骤之间相互独立，每一步骤需要针对具体问题，设计相应的解决方案，存在流程固化、自动化、智能化程度不足的问题。目前，深度学习技术由于其强大的特征表示和端到端的学习能力使目标检测性能有了极大的提升。通常，基于深度学习的目标检测方法首先也是从图像中提取候选区域，然后采用卷积神经网络等深度神经网络对候选区域进行鉴别和边界框回归。
目前针对大场景遥感图像下的舰船检测，主要使用滑窗的方法将大图分割为切片后送入到神经网络中检测。但是滑窗法存在大量的冗余计算，对于滑窗参数(窗口大小、滑动间隔步长)的选择依赖性太高，影响目标的检测效率和检测精度。
深度学习的方法在处理大尺寸遥感图像时，为了降低计算量、提高检测精度，首先采用滑窗的方法将大图分割为切片，然后将切片送入到Faster-RCNN,YOLO等神经网络模型中进行检测。但是，滑窗法的使用出现大量冗余信息，严重影响检测效率，且对滑窗参数依赖性比较大，可能出现漏船、船体截断的现象。

方法

目标预筛选全卷积网络和目标精确检测全卷积网络是两个级联的全卷积网络，P-FCN利用深度学习的方法实现了传统检测方法中的预筛选功能。将一张大尺寸和遥感图像输入P-FCN后，得到包含舰船位置信息的热点图，根据热点图得到疑似有船的候选区域，将候选区域送入到D-FCN、N网络中进行精确的舰船检测，最终通过两个级联的网络实现了对于大尺寸遥感图像下的目标快速检测。
在实验中，为了降低大尺寸图像在网络中的计算量，测试时，在P-FCN网络中加入了图像缩放步骤，并且通过比较resize参数与检测速度和检测精度(召回率)的关系，找到最优参数，使得在满足一定检测精度的前提下，提高检测速度。
注：文章选自《基于级联卷积神经网络的大场景遥感图像舰船目标快速检测方法》陈慧元等