CV——day87 基于挤压激励跳跃连接路径网络的光学遥感图像舰船检测

基于挤压激励跳跃连接路径网络的光学遥感图像舰船检测

Ship detection based on squeeze excitation skip-connection path networks for optical remote sensing images

1. Introduction

本工作的主要贡献如下。

首先，提出了路径级跳连接结构，以缩短信息路径，增强信息流。

其次，采用SE模块，强调渠道关系。

接着，提出了多尺度融合ROI对齐算法，以获得更准确、更多尺度的ROI对齐方案。

最后，利用Soft-NMS（non-maximum suppression (NMS)）对相邻船舶相似包围盒检测中出现的错误进行处理。

2. Proposed method

SESPNet的结构如图1所示。该算法分为区域建议阶段和预测阶段。

在第一阶段中，以包含较多上下文信息的遥感影像为输入，提出跳跃连接路径网络来融合多尺度特征地图。每个特征图中的ROI被发送到ROI对齐层，并被逐元素地融合。

然后在第二阶段用挤压激励网络进行位置回归和类别预测。最后，采用软非极大值抑制作为模型的后处理技术。

2.1. 跳连路径网络

与高级特征图相比，浅特征具有较小的感受域，因此包含较少的语义信息，但是位置的精确度较高。多层融合是最合适的方法。一些模型在神经网络中将高级特征映射与浅层特征映射融合；另一种方法是在相同比例的特征图上使用特征级跳过连接。舰船探测的特点包括干扰物的存在和舰船的稀疏性，使得这些方法仍然是一个挑战，跳跃连接路径网络的设计克服了这些缺点。

体系结构如图1中的A部分所示。由第一个自底向上路径和自顶向下路径组成的是一个以Resnet为骨干的特征金字塔网络。在自顶向下路径中，通过横向连接和反卷积得到高分辨率特征图M1、M2、M3、M4，增强了语义信息的传播。

空间下采样因子为2，与第一条路径一致。图2给出了P2层的特征图可视化。

但是，路径的增长会导致信息的丢失，增加网络训练的难度。为了缓解这个问题，提出了路径级的跳跃连接。

最后一条路径的特征映射是由第一条路径的反卷积和横向连接得到的，与第二条路径相比，第一条路径包含了更多的有用信息和更少的冗余信息，增强了整个特征层次的定位和预测能力。实验中不同结构的性能证明了这一观点。

2.2. 挤压激励（SE）模块

在神经网络中加入了挤压激励模块，该模块可以选择性地强调主动特征，抑制不太有用的特征。SE模块的结构如图3所示。

通过对特征映射进行全局平均池和全连接的挤压操作，对跨空间维度的特征映射进行聚合，得到大小为C的通道描述符。描述符嵌入了全局分布的通道特征响应，这决定了每个通道的激励。最终的特征图通过通道比例尺重新加权。

SE模块只在连接时添加，最后一条自底向上路径的连接图如图4所示，该结构采用横向连接SE模块。

在预测阶段，每3次×3卷积之后都有一个SE模块来挖掘通道之间的相互依赖关系，作为通道学习的自选门机制，以增强训练和提高表征能力。

2.3. 多尺度融合ROI对齐

然而，小建议可以从高层获得更多的上下文语义信息，以帮助分类，而大建议可以从低层获得更好的细节信息，以促进其定位能力。因此，在这项工作中，每个提案的roi都是在最后一条路径的所有层面上提出的。它们被发送到ROI对齐池层，并被元素明智地融合。

2.4. 软非最大值抑制（Soft-NMS）

计算公式如下:

其中A_B是B的面积，A_ai是ai的面积。NMS中的选择标准可以写为如下:

基于高斯函数的选择准则如下：

NMS和Soft-NMS对遥感图像的影响如图5所示。由于大量重叠，NMS放弃了一些建议。相比之下，Soft-NMS表现出更好的性能。

4. Conclusions

这项工作提出了一种新的神经网络结构称为挤压激发skip-connection道路网络(SESPNets)船舶检测光学遥感图像。

基于两阶段检测框架,这项工作提出了一个等级skip-connection结构来提高网络的能力来描述该地区的多尺度特性的建议阶段。同时,SE模块纳入网络通道级信息的提高学习。该地区由ROI对齐,其次是级融合,和softNMS后处理。

实验结果表明，SESPNets模型的查全率、查准率和F1分别为0.841、0.831和0.836，取得了较好的性能。和实验证明了该方法改进结果从每个。对于一些错误检测的情况下,我们进行一个简要分析,可以未来工作的方向。