基于深度学习的遥感影像小型船舶检测方法

随着海洋贸易日益繁荣,船舶数量和交通量也快速增加。不同种类和尺寸的船舶分布在广阔的海上,快速准确地发现和识别它们具有重要的实用价值。本文利用高分二号卫星影像制作高分辨率船舶检测数据集(GF2-PMS),提出一种船舶智能检测网络结构进行模型训练,并分别基于大尺度的高分二号卫星和谷歌地球影像测试其对小型船舶检测的有效性和通用性。具体而言,作者对训练数据集中的小型船舶样本进行过采样,生成更多样本以便更好地匹配预测锚点。在网络结构上,使用注意机制重新校准深度特征图的输入贡献,并采用增加一个预测头的方式提升对不同尺度船舶的匹配程度。实验结果表明,采用过采样策略使得船舶正确检测率大幅提升,召回率从83.96%增至88.21%(提高4.25%)。与YOLOv5的三个检测头相比,增加一个检测头在GF2-PMS数据集上获得更高的检测精度。另外,合理使用注意力机制能持续提升检测精度,在测试集上实现较高的检测精度(准确率=91.30%,召回率=94.93%,AP=97.10%)。在两张大尺度高分二号卫星影像测试下,本文的平均准确率从59.19%提升至76.73%,证明了该方法对小型船舶检测的有效性。此外,在大尺度的谷歌高分辨率图像上检测,无论是小型船舶、复杂背景还是部分密集排列的船舶,该方法仍能提供令人满意的检测性能。综上所述,本文提出了一种基于深度学习的有效小型船舶检测方法,在大尺度遥感影像上展现了良好的通用性。该方法对船舶的大规模、高精度、智能监测具有重要意义,将大大提高船舶管理的决策效率。