【最新成果】基于视觉显著性的SAR遥感图像NanoDet舰船检测方法

点击蓝色“雷达学报”关注

中国科学院空天信息创新研究院与北京理工大学合作提出了一种基于视觉显著性的 SAR 遥感图像 NanoDet 舰船检测方法。在通过自动聚类方法划分图像场景的基础上，引入图像显著特征并构建轻量化模型，能够进一步提升 SAR 遥感图像目标检测的精确性，同时有效降低运行时间，从而在未来实际应用中具有良好的发展前景。

背景介绍

目前，合成孔径雷达（Synthetic Aperture Radar, SAR）图像受到越来越广泛的关注。因其具有全天时、全天候的工作特性，且不易受天气变化影响，特别对于变幻莫测的海洋场景具有良好的适应性。然而，基于 SAR 图像的舰船目标检测依然面临很多困难。例如，海浪和杂波产生出较强的回波信号，特别是对于小型船只存在较大的干扰问题。且 SAR 是相干系统，斑点噪声是其固有特性。因此，如何减少干扰因素影响是提升检测精确度的关键。同时，随着技术发展日益成熟，对图像处理任务的实时性要求也日渐增高。

图1 SAR图像干扰示意图

近些年，卷积神经网络（Convolutional Neural Network，CNN）以其强大的自主学习能力和特征捕获能力得到了越来越广泛的关注。它是通过模拟生物大脑皮层结构而特殊设计的含有多隐层的人工神经网络。它不仅能够使用卷积计算单元对图像不同感受野提取出更加抽象特征，还能自主地完成定位和分类，仅需少量人工参与。目前，许多研究学者已经将其应用于图像分类、目标识别、语音识别等领域，并取得了不错的效果。但目前针对 SAR 遥感图像目标检测，仍存在一些问题需要解决。不同场景下复杂背景干扰导致模型漏检率和虚警率较高，在一定检测精确度指标下模型实时性较难满足工程应用需求。因此，该方法还存在较大的发展空间，需要进一步探索。

图2 卷积神经网络基本模型

图3 卷积操作示意图

团队工作

中国科学院空天信息创新研究院与北京理工大学合作团队提出了一种基于视觉显著性的 SAR 遥感图像 NanoDet 舰船检测方法。具体而言，图像样本场景多，背景复杂。通过自动聚类算法，基于图像块本身灰度直方图特征可划分图像样本为不同场景类别，以降低样本类内差异；其次，针对不同场景下的图像进行差异化的显著性检测，以使得每个子类都能获得较好的显著性检测结果。最后，对轻量化网络模型 NanoDet 加入多尺度空洞卷积模块，以扩大网络各层感受野，融合多尺度图像特征。使用优化后的轻量化网络模型 NanoDet 对加入显著性图的训练样本进行特征学习，使系统模型能够实现快速和高精确度的舰船检测效果。该研究不仅将为轻量化 SAR 遥感图像舰船检测模型工程应用提供理论基础，也有望应用于海上紧急救援、海洋实时目标监控等军用、民用海洋检测领域，为维护我国海洋安全、捍卫我国海洋权益、保障我国海洋生存空间提供技术支撑和战略赋能。

该工作已发表在《雷达学报》网络优先出版论文“基于视觉显著性的SAR遥感图像NanoDet舰船检测方法”（刘方坚，李媛）。

图4 SAR图像目标检测系统整体流程示意图

论文介绍

该文主要围绕两个工作展开研究，一个是显著目标增强预处理，另一个是 NanoDet 轻量化模型优化。由于目标的显著特性，通过其显著性图完成图像增强预处理能够进一步提升图像样本质量，提升模型检测准确率。轻量化模型 NanoDet 网络结构简单，模型参数少，能够有效提高检测时效性，但由于小目标容易受噪声和其它地物干扰，从而使得检测模型容易出现误差。因此，该文通过加入多尺度空洞卷积层进行优化。

显著目标增强预处理主要分为两个部分：1.对图像场景进行类别划分：将图像灰度值转化为一维向量并将其作为聚类元素，通过自动聚类算法，依据不同场景下 SAR 图像灰度特征差异，完成场景类别划分。2.对不同类别的场景采用不同的显著性方法进行检测：针对海上场景和近岸场景的差异，本文选择上下文感知方法用于海上场景，选用谱残差方法用于近岸场景。

图5 预处理图像增强效果图

优化的 NanoDet 模型主要包括三部分：1.骨干网络使用 ShuffleNetV2  1.0x，并删除最后卷积层，抽取8、16和32倍下采样特征作为后一模块输入，其中第四层特征图通过多尺度空洞卷积实现，能够扩大网络的感受野，捕获多尺度的上下文信息。2.使用优化后的极小 PAN 构成 Neck 模块，只包含自上而下和自下而上两条通路，即仅包含由骨干网络特征提取后的1×1卷积完成通道维度对齐，采用插值算法完成上、下采样，并通过相加实现多尺度特征图融合。3.在检测头部分，使用 GFocalloss 去点 FCOS 中的中心分支，解决其在轻量化模型中难收敛问题，并省去该部分卷积计算开销。放弃共享权重，依然使用不同卷积组完成各层特征提取。将原有的组归一化方式改回批量归一化，将普通卷积替换为深度可分离卷积，减少回归分类过程中卷积核数量和卷积通道数，以降低计算复杂度。

图6 多尺度空洞卷积示意图

实验结果显示，该文所提算法相较于 Yolov2-tiny、SSD、Faster R-CNN 等多种经典检测算法拥有较高的检测精确度。在时间指标上，也拥有更快的检测速度。这说明本文算法能够满足实际情况中的实时性要求，具有较高的实用价值。

图7 各方法检测结果图

图8 各方法性能对比图

该文针对 SAR 遥感下船舶图像干扰大、成像差异大的特点，创新结合 NanoNet 和显著性区域检测方法，提出了一套高精度、实时性高的 SAR 遥感图像舰船检测方法。该方法有望应用到具体工程时间中，并能够进一步扩展至其它类型遥感图像处理方法。

作者简介

刘方坚，男，山东临沂人，中国科学院空天信息创新研究院副研究员。主要研究方向为遥感卫星地面处理系统技术研究等。

李媛，女，河北石家庄人。北京理工大学机电学院在读博士生。主要研究方向为遥感图像分类、目标检测等。

了解全文请点击“阅读原文”。↓↓↓

相关阅读

编辑：曹梓艺

审核：岳冰莹 贾守新

声明

欢迎转发本号原创内容，转载和摘编需经本号授权并标注原作者和信息来源为《雷达学报》。

本号发布信息旨在传播交流，其内容由作者负责，不代表本号观点。如涉及文字、图片、版权等问题，请在20日内与本号联系，我们将第一时间处理。《雷达学报》拥有最终解释权。