基于深度学习的船舶卫星图像识别工作记录

国创10.18总结

研读论文概述

本周主要研读了遥感学报，题为 复杂卫星图像中的小目标船舶识别 的论文，十分贴近本课题需求，有较大的借鉴价值。

论文梳理

针对卫星图像中云雾、海岸背景等复杂海情对船舶识别带来的干扰，以及小目标船舶高漏检率问题，该文章提出一种多尺度深度学习模型训练策略，在此基础上构建了一种船舶识别的深度学习网络，该网络可分为多尺度训练、特征提取、生成目标建议区域、船舶分类这4个部分。首先，采用多尺度的训练策略，将多尺度的船舶样本送入网络中进行训练，这样在训练样本中加入了大量小目标船舶的样本，使网络充分提取到小目标船舶的特征；其次，通过卷积神经网络对目标船舶进行特征自适应提取；然后，目标区域建议网络可依据卷积神经网络提取到的特征，在图像中找到感兴趣目标区域，即框定船舶的位置；最后，通过多个全连接层的组合，将高维特征映射到一个4元组中，再运用分类函数输出每一类船舶的概率值，概率值最大的则为该船舶的类别。

同时为解决云雾遮挡和海岸背景的干扰，采用了一种负样本增强学习的方法，在样本数据集中加入了大量只含有云雾和海岸背景的图片，进行负样本扩充，增强网络模型对云雾及海岸背景的特征学习能力，以此解决复杂海情的影响。

启发与应用

1. 该文章基于 FAST-RCNN 和 RPN 两个模块进行识别，取得了很好的精度效果，强烈建议采用类似的模块进行识别；
2. 多尺度训练<