基于anchor-free的光学遥感舰船关重部位检测算法

针对基于深度学习的遥感舰船检测算法存在精细化程度不足、检测效率低的问题,提出一种基于anchor-free的光学遥感舰船关重部位检测算法。所提算法以全卷积的单阶段目标检测(FCOS)算法为基准,在主干网络中引入全局上下文模块,提高网络的特征表达能力;为更好地描述目标的方向性,在预测阶段构建了具有方向表征能力的回归分支;对中心度函数进行优化,使其具备方向感知和自适应能力。实验结果表明:在自建舰船关重部位数据集和HRSC2016上,所提算法的平均精度(AP)比FCOS算法有显著提升;与其他算法相比,所提算法在检测速度和检测精度上均表现优越,具有较高的检测效率。

基于改进YOLOv4-tiny的舰船关重部位检测算法

基于深度学习的检测算法可实现对遥感图像中舰船目标的精确检测,但该类算法通常将舰船视为一体目标,未对其做进一步的精细化检测。大部分检测算法网络结构复杂、计算量大,难以部署在计算资源有限的小型设备上,应用范围受到限制。针对以上问题,对YOLOv4-tiny进行改进,提出了一种轻量化的舰船关重部位实时检测算法。通过优化网络结构,提高网络对目标的感知能力。借助空间注意力(Spatial Attention,SA)模型的思想增强区域显著性,以降低误检概率。构建特征提取模块进一步提高网络的表征能力。构建了舰船关重部位数据集——RS-Ship,以验证所提网络的有效性。利用平均精度、每秒处理帧数、PR曲线以及可视化结果对实验结果进行综合评估,在RS-Ship数据集上的实验结果表明,所提算法对关重部位检测的平均精度达到了71.88%,相比于YOLOv4-tiny提高了17.12%,与其他算法相比也具有较强的竞争力;所提算法每秒可以处理47.78帧图像,远超过30帧/秒的处理速度,达到了实时性的要求;通过对比不同算法的可视化结果可以发现,所提算法受背景影响较小,误检概率低。

基于语义特征的遥感舰船关重部位检测网络

在近岸场景中,受背景影响,舰船关重部位误检概率高、检测精度低。针对以上问题,提出了一种基于语义特征的舰船关重部位检测网络,并命名为CPDNet(critical part detection network)。通过优化网络结构及引入注意力机制,提升网络的特征表达能力以及对关重部位的感知能力;基于语义信息,设计了语义掩膜模块,以降低背景对检测精度的影响;增加角度参数,使网络适用于具有方向性的目标;构建了舰船关重部位数据集,命名为CP-Ship,以验证所提网络的有效性。在CP-Ship数据集上的实验结果表明:所提网络的平均精度比RetinaNet提高了11.35%,与其他网络模型相比,其检测精度和速度均表现优异。