论文推荐 | 邓睿哲, 陈启浩, 陈奇, 等：遥感影像船舶检测的特征金字塔网络建模方法

原创测绘学报智绘科服 2022-09-25

《测绘学报》

构建与学术的桥梁拉近与权威的距离

复制链接，关注《测绘学报》抖音！

【测绘学报的个人主页】长按复制此条消息，长按复制打开抖音查看TA的更多作品##7NsBSynuc88##[抖音口令]

遥感影像船舶检测的特征金字塔网络建模方法

摘要：船舶作为海上运输载体，其准确检测在海洋环境保护、海上渔业生产管理、海上交通与应急处置及国防安全应用中都具有重要意义和价值。目前基于目标检测网络的遥感船舶检测方法因末层特征分辨率不足和卷积固定的几何结构，导致网络难以适应小尺度且具有随机朝向、形态多变特征的船舶目标，进而限制船舶检测精度。针对该问题，本文提出一种用于遥感影像船舶检测的特征金字塔网络建模方法。首先引入形变卷积/RoI池化模块，以适应朝向和形态多变的船舶目标；其次借鉴在小目标检测中性能出色的特征金字塔网络的建模思想，采用对称式网络和多尺度特征融合的方式进一步融合高级语义和低级空间信息，提升小尺度目标特征分辨率。在40 000幅、船舶目标67 280余个的遥感影像数据集上的试验结果表明，本文方法能够有效集成形变卷积/RoI池化和多尺度特征融合方法，相较传统CNN船舶检测方法取得明显提升，在准确率、召回率及F₁指标上分别达到85.8%、97.9%和91.5%。

关键词：船舶检测特征金字塔网络形变卷积模块形变RoI池化模块

引文格式：邓睿哲, 陈启浩, 陈奇, 等. 遥感影像船舶检测的特征金字塔网络建模方法. 测绘学报，2020，49(6)：787-797. DOI: 10.11947/j.AGCS.2020.20190117.

阅读全文：http://xb.sinomaps.com/article/2020/1001-1595/2020-6-787.htm全文概述

船舶作为海洋主要运输载体，利用遥感技术对其进行监测，在海洋环境保护、海上渔业生产管理、海上交通与应急处置及国防安全应用中都具有重要意义和价值^[1^]。这也使得基于遥感影像的海洋船舶目标检测技术方法成为研究热点。

早期的遥感图像船舶检测一般分为候选区域提取和分类两个步骤。该类方法利用滑动窗口，根据船舶目标的尺度、形状等固有特性采用显著图算法或者视觉注意机制获得船舶目标的候选区域，再提取候选区域的相应特征用于训练得到检测模型^[2^-6^]。然而，受制于船舶形态复杂多样，以及不同数据中分辨率和成像质量的变化，依赖人工设计往往很难对各种成像条件下的船舶特征进行准确概括，从而导致基于人工设计特征的传统方法普遍缺乏对不同数据的泛化能力^[7^]。

近年来，随着超大规模学习样本的出现，卷积神经网络(convolutional neural network, CNN)凭借着出众的特征提取能力在计算机视觉领域的目标检测应用中表现出强大性能^[8^-12^]，大幅提升了该领域的算法精度水平，其中具有代表性的网络模型包括Faster R-CNN^[8^]、SSD^[9^]、YOLO^[10^]、R-FCN^[11^]及FPN^[12^]。这些网络的一般模式是在VGG^[13^]、ResNet^[14^]等经典CNN中嵌入区域候选网络(region proposal network, RPN)^[8^]，并进行特征建模，进而确定目标的位置及类别。由于CNN能够自动学习和生成复杂度极高的非线性特征，突破人工设计的局限性，上述网络迅速在船舶检测问题上得到应用^[15^-19^]。

但必须指出，遥感影像中的船舶目标朝向随机且形态多变，而一般的CNN网络采用固定几何结构的卷积核进行特征提取，缺乏处理几何变化的机制，导致网络难以适应目标的方向和形状多变性。针对该问题，文献[15-16]充分利用船舶的角点、线特征获取更加准确的候选区域，提升了检测精度。文献[20-21]则将计算机视觉领域的形变卷积和池化思想^[22^]引入至遥感影像车辆、飞机等目标检测中，通过利用带偏移的采样代替规则卷积核固定位置的采样，使采样点能尽可能分布在目标区域内，提升了网络对形态多变目标的适应能力，尤其在目标密集区域具有较好的检测效果。

同时，由于遥感影像中船舶目标中小尺度目标居多，而在CNN的前向传播过程中分辨率不断下降，仅采用末层特征生成的特征图往往空间语义信息不足，容易导致小型船舶目标漏检。针对此现象，文献[17-18]首先采用恒虚警检测来弥补Faster R-CNN对小尺度船舶检测的不足，紧接着又采用多尺度特征融合的方式增强小尺度船舶的特征分辨率。文献[19]则从网络层面进行改进创新，提出特征金字塔网络(feature pyramid network, FPN)，它不仅继承了Faster R-CNN的优点，还通过对称式的结构融合了CNN中的低维位置和高维语义信息，在小目标检测中展现了优越性。文献[23-25]的研究进一步证实了FPN在遥感影像目标检测中良好的适应性。

上述两类改进方法均较大程度提升了遥感影像目标检测的精度水平。但截至目前，结合这两类改进策略进行遥感影像船舶检测的研究案例尚不多见，而这两种改进思路能否在船舶检测问题上协同发挥作用也有待证实。鉴于此，本文提出一种基于对称式形变特征金字塔网络的遥感影像船舶检测方法。即首先引入形变卷积/RoI池化模块提升网络对朝向随机、形态多变的船舶目标的适应性；然后以FPN为基础，采用多尺度特征融合的方式为低维特征图构建高级语义特征映射，以增强小尺度船舶目标的检测能力。本文的主要贡献在于有效结合了形变卷积/RoI池化和多尺度特征融合两种CNN网络改进策略，在包含船舶目标67 280余个的遥感影像数据集上的试验结果表明，本文的集成方案相较传统CNN舰船检测方法能够取得明显的精度提升。此外，为进一步促进相关领域研究发展，本文通过人工标注Google Earth影像、收集其他开源数据集及掩模数据集转换3种渠道，制作并公开了一个分辨率于0.5~2 m之间用于船舶目标检测的数据集(https://pan.baidu.com/s/1rhorhcXFJXtG-WRjR86waw.)。

1 本文方法

1 基于对称式形变特征金字塔的船舶检测方法

本节将详细介绍基于对称式形变特征金字塔的船舶检测方法的网络结构。如图 1所示，该网络基本遵循FPN和Faster-RCNN的目标检测框架，即以FPN中的特征为基础，通过RPN模块生成船舶候选区域，再采用目标检测模块对候选区域进行筛选和精调。本文在传统方案的基础上主要做了两点改进：①应用形变卷积/RoI池化思想对FPN内部的卷积和池化操作进行改进；②对FPN生成的多尺度特征图层进行重采样和多级特征级联处理，实现多尺度特征融合。下文将结合具体改进措施对网络进行详细阐述。

图 1 对称式形变特征金字塔网络结构 Fig. 1 The architecture of the feature pyramid networks with deformable modules

图选项

1.1 形变卷积/RoI池化模块

本文通过引入形变卷积/RoI池化模块替换传统的规则卷积/RoI池化操作，以提升网络对船舶随机朝向和形态多变性的适应能力。两个模块基本思想一致，均通过引入少量偏移量参数，使卷积原本固定位置的采样具有聚焦于感兴趣目标内部的能力，其中偏移量通过另外一个平行的标准卷积单元梯度反向传播学习得到，且对网络训练、测试效率影响不大。

1.1.1 形变卷积模块

形变卷积通过对规则的方块卷积核每个卷积采样点加上一个偏移量，可以实现任意形变的卷积操作，如图 2所示。主要包括3个步骤：①对输入的上一层特征图进行采样点偏移量学习；②利用带偏移的方块卷积核对上一层特征图进行采样；③将每个采样点的值与形变卷积对应位置的权值进行加权求和。规则的方块卷积核如图 3(a)所示。所得到的结果作为卷积操作的输出，进而自适应地根据目标的形状来调整卷积核感受野的分布，如图 3(b)所示。以3×3大小、膨胀系数为1的卷积核为例，本文将其定义为

(1)

图 2 3×3形变卷积运算采样 Fig. 2 Illustration of the sampling locations in 3×3 standard and deformable convolutions

图选项

注：黄色点为采样位置，黑色点为当前采样位置。
图 3 卷积操作的感受野 Fig. 3 Illustration of convolution receptive field

图选项

若卷积核权重为w，输入特征图x，对于输出特征图y上的p₀点，传统规则卷积表示为

(2)

形变卷积通过对卷积核中每个采样点的位置都增加一个2维偏移量使卷积核形状适应物体形状，此偏移量利用一个卷积层从输入特征图学到，偏移量和输入特征图共同输入到后一个卷积层。形变卷积为每个特征点增加偏移量Δp_n，其中，输出可表示为

(3)

式中，偏移量Δp_n为浮点数，即加入偏移量后的采样p_n+Δp_n变得不规则。式(2)需要通过双线性插值实现，表示为

(4)

式中，p为p₀+p_n+Δp_n任意浮点型采样位置；q为输入特征图x中特征映射的对应位置；G(.; .)可视为被分成x和y两个维度的双线性插值内核，表达为

(5)

(6)

1.1.2 形变RoI池化模块

形变RoI池化类似形变卷积的思想，即通过对传统RoI池化生成的子窗口引入偏移变量，可以拓展为形变RoI池化操作，进而自适应地根据目标的形状来调整子窗口感受野的分布，如图 4所示。以一个宽、高为(w, h)的候选区域为例，利用固定窗口(k, k)对候选区域进行切分，形成多个尺寸为的子窗口，对于第(i, j)(0≤i，j≤k)特征图，传统RoI池化输出为

(7)

注：黑色框为船舶候选区域，红色框为池化子窗口。图 4 池化操作的感受野 Fig. 4 Illustration of pooling receptive field

图选项

式中，x为输入候选区域特征图；n_{i, j}为每个子窗口的大小；p₀为候选区域左上角坐标。形变RoI池化在传统RoI池化基础上对每块增加2维偏移，偏移量通过一个全连接层从输入特征图和候选区域学到。其计算方式与形变卷积类似，在引入偏移量Δp_{i, j}之后，式(7)拓展为

(8)

与形变卷积类似，Δp_{i, j}为浮点数，式(8)由双线性插值式(4)-式(6)计算得到。需要注意候选区域RoI宽度和高度不一致，因此使用偏移量归一化，以使偏移学习不受RoI大小影响。其中γ用于定于偏移幅度，为经验参数0.1，为未经过归一化的偏移量。

1.2 对称式形变特征金字塔

如图 5所示，本文以FPN为基础构建对称式形变特征金字塔。经典FPN的网络结构主要包括自底向上(bottom-up)和自顶向下(top-down)两个过程。自底向上过程主要利用卷积、池化对输入图像进行前馈计算，形成一个分辨率递减、维度递增的特征金字塔{C₂，C₃，C₄，C₅}。自顶向下过程则以{C₂，C₃，C₄，C₅}为输入，通过上采样和横向连接的方式构建与自底向上特征金字塔逐级对应的特征图{P₂，P₃，P₄，P₅}。

图 5 多尺度特征融合的对称式形变特征金字塔结构 Fig. 5 The architecture of deformable feature pyramid with multi-scale feature fusion

图选项

由于遥感影像中有相当部分的船舶目标尺度较小，且大小船舶尺度跨度较大，因而对CNN网络的尺度适应性也提出更高要求。考虑到经典FPN结构中，小尺度目标的识别主要依赖于金字塔低层中空间分辨率较高的特征图层，因此本文选择在经典FPN的基础上，以多尺度特征融合的形式将高维特征图P₄、P₅中的语义信息注入P₂、P₃两层低级特征图中(如图 5中曲线箭头所示)，从而进一步提升网络对小尺度船舶目标的检测能力。图 6为多尺度特征融合的具体操作过程。

图 6 多尺度特征融合的结构 Fig. 6 The architecture of multi-scale feature fusion

图选项

具体而言，多尺度特征融合处理中P₂和P₃的特征可通过式(9)更新

(9)

式中，i∈[2, 3]；P_i是对应C_i的融合特征映射；Conv_k×k(·)表示卷积运算；k为卷积核大小；Downsample(·)表示下采样；Upsample(·)表示最邻近上采样；⊕表示特征连接操作。注意：本文采用1×1卷积对C_i进行降维，并采用3×3卷积消除上采样带来的混叠效应。

此外，考虑到遥感影像中的船舶目标尺度多元，除了大量小尺度目标外，还存在诸如军舰的大尺度目标，因此，本文在P₅高维特征图的基础上通过取步长为2进行下采样得到P₆特征图，以在候选区域提取过程中专门针对大型船舶目标增添额外的输入特征图和锚点框。

1.3 船舶目标检测

本文船舶目标检测任务以具有丰富空间、语义信息的特征图{P₂，P₃，P₄，P₅，P₆}为输入，还需进行目标候选区域提取和目标检测两个流程。具体介绍如下：

船舶目标候选区域提取：该过程由候选区域提取网络(region proposal network, RPN)完成，即利用滑动窗口分别在提取的特征图上滑动，为每个特征点考虑m种尺寸，n种长宽比，k(m×n)个锚点框(anchor boxes)。具体而言，本文选用5种像素大小分别为{32²，64²，128²，256²，512²}的锚点框与{P₂，P₃，P₄，P₅，P₆}特征图一一对应，同时应用{1:5，1:3，1:2，1:1，2:1，3:1，5:1}7种长宽比生成相同面积、不同比例的锚点框。通过滑动窗口的形式，各级特征图将在每个特征点位生成7个锚点框。

船舶目标检测：以RPN生成的多尺度候选区域为输入，经过形变RoI模块得到规定大小的低维向量，后利用两个并行的全连接层进行前景背景判定和候选框回归修正。本文训练时采用多任务损失函数，包含检测框回归损失和目标检测损失，以使网络达到端到端的学习，提高分类性能^[8^]，定义如下

(10)

(11)

(12)

式中，i指每次小批量(mini-batch)中的第i个锚点框；L_cls为前景和后景的对数损失；p_i指每一个锚点框属于目标的预测概率；p_i^*为1时代表对应样本为正样本；p_i^*为0时代表对应样本为负样本；L_reg为目标候选框的回归损失；t_i指对每个样本的预测目标候选框的坐标参数；t_i^*指样本对应的真是候选框的坐标参数；smoothL1定义如Faster R-CNN^[8^]，由式(10)可以看出，当p_i^*为1时，对应样本为正样本时回归框损失才有意义，p_i^*为0时，对应样本为负样本时则没有回归框损失。

2 试验与分析

本节首先详细介绍样本集的建立，然后选用Faster R-CNN、FPN+RPN及本文方法3种目标检测网络进行对比试验，最后对本文采用的多尺度特征融合和形变卷积/RoI池化模块两种方法逐步进行组合试验，以上均以TensorFlow^[^26]为基础框架。

2.1 样本集介绍

大规模的学习样本是支撑CNN发挥高性能的基础，船舶样本集ASRSS(available satellite remote sensing ship)制作主要包括以下两方面工作：①从Google Earth光学遥感影像中获取分辨率为0.5~2 m、尺寸为768×768的场景图片，并手工勾取船舶目标的外包矩形框，共包含实例目标共17 280个；②筛选、处理出公开的样本集中的船舶目标，如DOTA^[^27]、Kaggle船舶目标检测比赛，共包含实例目标共50 000余个。具体工作流程如图 7所示。

图 7 船舶样本集制作流程 Fig. 7 The workflow of ship dataset producing

图选项

DOTA、Kaggle样本集多处于海域，船舶类型多为军舰、轮渡、游船，本文在此基础上增添了我国长江、黄河流域及民港背景下的货轮、游艇、渔船等船舶样本，以丰富船舶目标的场景、特征。最终，ASRSS样本集共40 000余幅，分辨率为0.5~2 m、尺寸为768×768的影像，共67 280余个船舶实例目标。本文试验将随机选取10 000幅作为训练集，10 000幅作为验证集，20 000幅作为测试集。

2.2 试验结果及比较分析

为确保试验公正性，所有试验均以Resnet-101作为基层特征提取网络。学习率设置依据目前计算机视觉领域对于目标检测任务中CNN网络的通用方法。即先选用相对较大的学习率对损失函数进行优化，使得损失值在训练初段较快地下降，当迭代次数达到一定轮次时，选用较小的学习率可以使得梯度下降算法搜索步长更小，避免损失函数趋于发散。因此本文前40 k次学习率为0.001，后20 k为0.000 1，最后20 k为0.000 01。权重衰减和动量系数分别为0.000 1和0.9，选择的优化算法是动量优化(momentum optimizer)。鉴于船舶目标朝向随机、大纵横比的特点会导致候选区域交并比(intersection over union, IoU)值不稳定，每一次批量训练512个锚点框，正样本IoU阈值为0.5，以保证后续的目标检测有充足的正样本。训练策略采取反向传播和OHEM^[^28](online hard example Mining)，以增强网络对难检测目标的稳健性。对测试集的定量评估采用准确率、召回率、F₁指标3种常用指标^[^29]。

Faster R-CNN、FPN+RPN及本文方法的定量评价检测结果见表 1。本文方法在召回率、准确率、F₁ 3项定量指标上分别达到85.8%、97.9%、91.5%的最优精度，其中召回率提升10%最为显著。具体表现如图 8所示，从测试集中选取两幅典型港口进行目视解译，其中包含纹理轮廓信息不明显、像元数量小于100的小尺度目标，受港口、浪花背景影响的船舶目标。输出框IoU均大于0.80，红色框表示船舶检测结果，白色框表示漏检结果，分析如下：

表 1 船舶检测定量评价结果比较

Tab. 1 The quantitative evaluation results of ship detection for different methods

(%)

网络	召回率	准确率	F₁指标
Faster-RCNN	60.6	96.6	74.5
FPN+RPN	75.4	97.6	85.1
本文方法	85.8	97.9	91.5

表选项

注：红色框表示检测结果，白色框表示漏检结果。图 8 船舶检测结果比较 Fig. 8 The results of ship detection using different methods

图选项

(1) 3种网络均可适应纹理特征明显的中大尺度船舶目标，但FPN+RPN和本文方法在小尺度目标检测上表现出了优越性，检测结果如图 8(a)黄色圈中目标所示。

(2) FPN+RPN方法当船舶水平或竖直停靠在港口时，锚点框内为纯对象，即背景噪声少，检测效果较优，但船舶随机旋转后，锚点框内会包含大量港口背景，纹理信息不明显，特征金字塔中的空间、语义信息难以抑制背景噪声，易会出现漏检的情况。与此现象相比，本文方法通过多尺度特征融合的方法构建空间、语义信息更为丰富的特征金字塔，增强了网络对复杂背景下的稳健性，检测结果如图 8(a)、(b)绿色圈中目标所示。

(3) 由于船舶朝向随机的特点，导致船舶易产生密集停靠，锚点框重叠率较高的现象，Faster R-CNN和FPN+RPN两种方法均会出现一个检测框中存在多个或漏检的情况，而本文方法通过采用形变卷积和形变RoI池化模块，增强了网络对形态特征的学习能力，并在密集区域取得了较好的检测结果，检测结果如图 8(a)蓝色圈中目标所示。

(4) 本文方法召回率的大幅提升具体体现在港口、浪花等背景干扰导致纹理模糊及小尺度的船舶目标检测上，但依旧对轮廓信息丢失、纹理几乎丧失的船舶目标检测表现不佳，比如检测图 8(a)、(b)中分辨率太低或被浪花掩盖的目标，检测结果如图 8(b)白色圈中目标所示。

2.3 多尺度特征融合分析

为了进一步分析多尺度特征融合网络检测精度的影响，本文以FPN+RPN为基准方法(baseline)，通过逐步增加子算法的方式进行性能验证，子算法包括多尺度特征融合(multi-scale feature fusion, MSFF)，以及构建额外的P₆特征层(additional anchors, AA)。最终形成如表 2所示的Baseline、Baseline+MSFF及Baseline+MSFF+AA 3组试验，MSFF子算法能有效地提升Baseline检测的召回率和准确率，AA额外P₆特征图的构建能使网络枚举产生更多大尺度的锚点框，提升对大尺度船舶目标召回率的同时，也受更多冗余框的影响，准确率略有下降，但从总体指标F₁来说采用MSFF+AA的Baseline检测精度最优。

表 2 多尺度特征融合FPN+RPN(Baseline)定量评价结果比较

Tab. 2 The quantitative evaluation results of ship detection with FPN+RPN(Baseline) adopting multi-scale feature fusion

(%)

网络	召回率	准确率	F₁指标
Baseline	75.4	97.6	85.1
Baseline+MSFF	78.2	98.2	87.1
Baseline+MSFF+AA	78.5	98.1	87.2
注：Baseline为FPN+RPN的基础网络结构；MSFF(multi-scale feature fusion)代表多尺度特征融合；AA(additional anchors)代表构建额外的P₆特征层，增加锚点框的数量。

表选项

从测试集中选取3幅船舶大小尺度跨越明显且密集停靠的场景图像测试并进行目视解译分析，检测结果如图 9所示(与表 2中不同方法相对应)。其中输出框IoU均大于0.80，红色框表示船舶检测结果，白色框表示漏检结果。分析如下：①Baseline+MSFF的组合能有效地检测出受浪花干扰且纹理信息模糊的小尺度目标，检测结果如图 9(a)黄色圈中目标所示。②Baseline+MSFF+AA组合在整体精度上提升不明显，其根本原因是ASRSS训练集中尺度较大的舰船数量偏少，因此反映在总体精度上提升有限。但是就目视分析结果而言，其通过构建额外P₆特征图，使RPN产生更大尺度的锚点框，使网络检测出超大尺度的舰船成为可能，检测结果如图 9(b)所示。③Baseline+MSFF+AA虽然在小尺度目标检测上表现优异，但当船舶因随机朝向导致密集停靠时，易导致因对象间重叠区域过高，一个检测框中存在多个对象的问题，检测结果如图 9(c)白色圈中目标所示。

注：红色框和白色框分别表示检测和漏检结果。图 9 船舶检测结果比较 Fig. 9 The results of ship detection using different methods

图选项

2.4 形变模块分析

在Baseline+MSFF+AA(++Baseline)基础上，为了进一步分析形变模块的适应性，本节将逐步进行试验，包括形变卷积(deformable convolution, DC)代替传统规则卷积，形变RoI池化(deformable RoI pooling, DRP)代替传统的RoI池化，形变卷积/RoI池化同时采用并替代，试验包括++Baseline+DC、++Baseline+DRP、++Baseline+DC+DRP 3组。试验定量评价结果见表 3，可以看出单独使用形变卷积/RoI池化检测召回率均有明显提升，这体现了形变卷积/RoI池化有较好的可分性和适应性。当两者结合时精度最优，召回率达到了85.8%，准确率也能保持较高的指标97.9%。

表 3 形变模块定量评价结果比较

Tab. 3 The quantitative evaluation results of ship detection with FPN+RPN using deformable module (%)

结合策略	召回率	准确率	F₁指标
++Baseline	78.5	98.1	87.2
++Baseline+DC	83.1	97.7	89.8
++Baseline+DRP	80.5	97.8	88.3
++Baseline+DC+DRP	85.8	97.9	91.5
注：++Baseline代表在FPN+RPN的基础网络结构上采用多尺度特征融合(multi-scale feature fusion, MSFF)和构建P₆额外特征层(additional anchors, AA)；DC(deformable convolution)代表形变卷积；DRP(deformable RoI pooling)代表形变RoI池化。

表选项

为证实形变卷积/RoI池化的有效性，从测试集中选取4幅船舶朝向随机、形态多变特征明显的港口区域进行测试及目视分析，如图 10所示(与表 3中不同方法相对应)。其中输出框IoU均大于0.80，红色框表示船舶检测结果，白色框表示漏检结果。分析如下：①++Baseline能有效地检测出大部分水平或竖直朝向的船舶目标，检测结果如图 10(b)所示。②因船舶具有朝向、形态多变的特点，目标在港口易出现对象间密集停靠的现象，即锚点框间相互重叠制约，并非单个纯粹船舶对象，++Baseline漏检现象明显，检测结果如图 10(a)所示。③当尺度跨越较大的两个船舶密集停靠时，小对象对大对象的锚点框IoU基本无影响，++Baseline易出现一个大检测框中包含多个目标的情况，检测结果如图 10(b)、(c)、(d)蓝圈中目标所示。④当像元面积类似的船舶对象密集停靠时，对象间锚点框IoU影响较大，++Baseline易出现框像两者之间偏移及漏检的现象，检测结果如图 10(a)、(b)白色框中目标所示。当再结合形变卷积和形变池化模块后，++Baseline+DC+DRP能较好地适应船舶因朝向随机、形态多变而产生与港口紧密停靠且目标密集分布的场景，较为明显地提升了召回率。

注：红色框和白色框分别表示检测和漏检结果。图 10 船舶检测结果比较 Fig. 10 The results of ship detection using different methods

图选项

3 结论

本文通过结合形变卷积/RoI池化和FPN的设计思想，提出了一种基于对称式形变特征金字塔的遥感影像船舶检测方法。首先通过引入形变卷积/RoI池化模块，增强网络对形变特征的学习能力，实现了对朝向随机和形态多变船舶目标的高精度检测。其次采用形变对称式网络和多尺度特征融合的方式构建了空间、语义信息更为丰富的特征金字塔，提升了对小目标检测的召回率。通过在一个40 000幅尺寸为768×768影像、含船舶目标67 280余个的大规模遥感影像数据集上进行比较试验，证实了本文方法能够在召回率、准确率及F₁ 3项关键评价指标上分别达到85.8%、97.9%和91.5%，其表现优于经典CNN检测网络。后续研究中，将采用更贴合船舶目标的可旋转矩形框(https://arxiv.org/abs/1706.09579)进行候选区域生成及目标检测工作，以进一步提升网络对密集区域船舶目标的检测效果。

作者简介

第一作者简介：邓睿哲（1997—），男，硕士，研究方向为机器学习，遥感影像解译。E-mai：dengrz2015@163.com

第二作者简介：陈启浩（1982—），男，副教授，研究方向为极化SAR信息提取。E-mai：cugcqh@163.com

第三作者简介：陈奇（1987—），男，副教授，研究方向为摄影测量与计算机视觉。E-mail: chenqi@cug.edu.cn

通讯作者简介：刘修国（1969—），男，教授，研究方向为遥感影像信息提取与3S集成。E-mail：liuxg318@163.com

团队简介

资源环境遥感与地学智能分析研究中心围绕 “一带一路”建设、“美丽中国”建设、“长江经济带发展”涉及的自然资源调查、三维地质信息化、环境灾害监测与评价预警等应用需求，开展生态环境参数遥感定量反演、资源环境要素多源遥感智能提取、三维地质全要素智能建模、资源环境与灾害评价预警等方向的研究。