基于RYOLO的多源遥感图像海面目标融合检测算法研究.doc

基于RYOLO的多源遥感图像海面目标融合检测算法研究 分类号学学号号Mxx72737学校代码码10487密级硕士学位论文于基于R-YOLO的多源遥感图像海面目标融合检测算法研究学位申请人陈俊学科专业控制工程指导教师杨卫东副教授答辩日期2019年年5月A ThesisSubmitted inPartial Fulfillmentof theRequirements forthe Degreeof Masterof EngineeringResearch onMaritime TargetFusion Detectionin Multi-source RemoteSensing ImagesBased onR-YOLO CandidateChen JunMajor ControlEngineering SupervisorAssoc.Prof.Yang WeidongHuazhong Universityof Scienceand TechnologyWuhan430074,P.R.China May,2019独创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。 尽我所知，除文中已经标明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。 对本文的研究做出贡献的个人和集体，均已在文中以明确方式标明。 本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名日期年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，即学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。 本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 保密，在年解密后适用本授权书。 不保密。 （请在以上方框内打“”）学位论文作者签名指导教师签名日期年月日日期年月日本论文属于I华华中科技大学硕士学位论文文摘要大幅面遥感图像中海面目标检测是海洋遥感技术的重要研究课题之一，快速精准的从遥感图像中检测出舰船目标，是目标检测领域的重要研究方向。 然而遥感图像存在幅面广、干扰强、目标小的特点，如何有效提升遥感图像舰船检测算法在复杂场景下的抗干扰能力，提高准确率和召回率，是本文的主要研究内容。 针对传统舰船检测算法在复杂场景遥感图像上存在高虚警、低识别率的问题，本文引入深度学习目标检测网络YOLOv3，在遥感舰船数据集进行训练、学习并预测不同背景下舰船目标的位置信息。 针对现有网络在复杂场景下多目标检测时召回率低的问题，本文引入旋转目标检测方法，提出基于R-YOLO的舰船检测模型，通过重新定义旋转矩形的表现形式、设计新的损失函数和旋转IOU计算方式，精细化输出目标的真实长宽和轴向信息，在不增加计算量的同时，增加输出的特征维度，有效提升复杂场景下多目标检测的召回率。 最后，为了提升算法在移动端的实用性，对模型进行轻量化处理，在保证检测精度的同时，大幅度压缩模型参数量。 针对单源舰船检测算法难以抗云层、海杂波、岛礁、角反等干扰的问题，本文通过详细分析可见光、SAR遥感图像各自成像特性的优劣势，扬长避短，提出基于迁移学习的多源遥感图像融合检测算法。 算法在分析不同迁移学习方式的基础上，提出基于迁移学习的联合检测算法，并利用决策级融合算法融合多模型输出的目标位置、长宽和轴向信息。 实验结果表明，融合策略能够有效提升遥感图像目标检测的抗干扰能力，显著提升检测准确率和召回率。 最后，通过大量对比实验，对本文所提的单模型检测性能、迁移学习训练方式和决策级融合检测性能进行分析，并在不同成像条件下对检测模型的适应性进行测试。 最后在GPU开发板JetsonTX2上完成算法移植，同时在进行移植性能分析的基础上，提出tiny版本模型，进一步提升算法实时性。 1.2本课题研究目的和意义近年来，卫星遥感技术迅速发展，一批批高分辨率、低重访周期的遥感卫星不断涌现，随着天基观测系统的逐渐完善，遥感技术现已广泛应用于我们日常生活中的各个方面，对海洋表面温度分析、渔业辅助、环境和农业监测、海面战场态势感知等民用和军事领域产生重大影响，遥感技术的发展也被世界上各个国家越来越重视，甚至将其提升到战略高度，作为国家长期稳定发展的战略目标。 针对遥感图像的研究，已经根据不同领域的发展产生了不同的分支。 其中，从大幅面遥感图像中准确找到所有舰船目标，是海洋遥感图像研究的热点。 在民用方面，可以通过对遥感图像中港口附近进行监控，实现船舶实时管理，也可以及时发现并预警海上船只事故，帮助海上遇难人员及时得到救助，同时可以对违法船只自动检测，帮助海上交通管理部门全天时监测；军事领域可以用于全天时监视海岸线内异常舰船活动，实时分析敌方舰船分布情况，进行海战场态势感知等。 近年来，随着遥感技术的不断发展，遥感图像分辨率越来越高，最高甚至可以达到亚米级，高分辨率遥感图像提供了更加丰富的目标特征信息，但是随之而来的问题是，目标周围背景也越来越复杂，海面目标检测中云层、海杂波、岛礁等干扰的增加使得传统海面目标检测算法的鲁棒性大幅下降。 因此，如何在高分辨率复杂场景海洋遥感图像中，克服岛礁、云层、海杂波等各类干扰，精准快速的检测出海上目标，是海洋遥感图像处理中的关键技术。 传统阈值分割舰船检测算法在复杂场景中存在高虚警、抗干扰能力差的问题，人工先验知识的参与在一定程度上提升了算法的检测性能，但是仍然难以适用于存在2华华中科技大学硕士学位论文文较多干扰的真实遥感图像，并且算法大多只能输出目标的位置信息，无法获取目标更多特征信息，检测策略过于简单，且实时性较差，检测过程大多是在地面进行，无法在遥感平台上自动化检测。 鉴于此，本文采用深度学习算法，利用深度网络强大的特征提取能力，以提升复杂场景海面目标检测性能。 同时针对现有网络进行改进，在提高复杂场景多目标检测召回率的同时，也能得到目标的真实长宽和轴向信息。 最后本文采用基于迁移学习的多源遥感图像融合检测算法，进一步提升检测算法的抗干扰能力，并在硬件平台上实现算法移植，期望能为大幅面复杂场景下遥感图像海面目标检测提供新思路。 1.3国内外研究现状所谓遥感，即采用非物理接触的方式，用一种或多种传感器对观测目标进行数据获取与测量的技术。 遥感图像即通过各类遥感探测平台对地球表面目标拍摄的图像，遥感图像具有幅度广、尺寸大、目标小等特性。 针对海洋遥感卫星拍摄的图像进行海面目标检测，日益成为目标检测领域的热门问题。 自上世纪七十年代美国发射了世界上第一颗海洋遥感卫星Seasat-A开始1，世界各国相继发射多枚海洋遥感卫星，最具代表性的就是美国的“白云”系统，于上世纪六十年代开始建设，共发展了三代，其中第三代海洋卫星能进行红外、可见光、微波等多模侦察，监视范围更广、重返周期更短、分辨率更高。 相比于国外，我国海洋遥感卫星起步较晚，但是随着传感器技术的发展，发射的遥感卫星分辨率大幅提升，一系列突破亚米级别分辨率的高分卫星也层出不穷。 如我国在xx年10月发射升空的吉林一号光学A星，分辨率为0.75米，xx年12月发射的高景一号卫星，分辨率为0.5米，2018年7月发射升空的高分十一号卫星分辨率可以达到分米级别。 经过多年发展，目前我国海洋遥感卫星建立了以动力环境卫星、海洋水色卫星、海洋监视监测卫星三类为主的海洋遥感卫星体系，在军用和民用领域的应用越来越广泛，在检测重点海域船舶分布情况、海面战场态势感知、监控海面交通安全、打击非法捕鱼、走私等领域发挥了重大作用。 海面目标检测是我国利用海洋遥感卫星数据的一种主要方式，但是目前仍处于人工判3华华中科技大学硕士学位论文文读向自动识别转换的阶段。 而人工利用先验知识对海量的卫星遥感数据进行判读，面临着如人员素质层次不齐、经验影响重大、主观因素影响、速度和准确率极低等众多问题，因此，从人工判读转向机器自动识别势在必行。 目前，我国在海面目标特性分析、数据库建立、检测识别算法等技术领域落后于世界先进水平，因此利用遥感影像数据进行海面目标自动检测识别技术的发展显得尤为重要。 随着遥感卫星分辨率的提升，获取到的海面目标特征信息更加丰富，针对获取的海量数据，基于可见光图像的海面目标检测识别技术也逐渐受到科研人员的重视。 目前，遥感图像海面目标检测技术研究主要可以分为三种基于传统算法、机器学习和深度学习。 1.3.1基于传统算法海面目标检测目前，基于传统算法的海面目标检测算法主要是通过统计学和形态学滤波的方法实现2，通过统计海面背景图像和舰船图像的灰度特征信息，寻找海面背景图像和舰船目标的特征差异，一般通过阈值分割可以取得较好结果。 中科院丁鹏3提出一种基于多尺度视觉显著性的舰船检测算法，能降低云层油污等干扰导致的高虚警。 针对低分辨率SAR图像中存在强杂波干扰的情况，华中科技大学杨卫东4提出一种基于RE-NYI熵的分割算法，有效抑制海杂波等背景干扰。 针对高分辨率遥感图像，海军海洋测绘研究所的叶秋果5等人提出一种基于视觉显著性的目标检测算法，有效提取了高分图像中的特征信息，对阈值分割有指导意义。 针对SAR图像强噪声干扰的特点，中船重工七二三所的王琦等人提出了一种Gamma流形方法6，有效提升了SAR图像的显著性表达能力，对舰船目标检测算法的鲁棒性有很大的提升。 解放军工程大学的马兰等人提出了一种自适应尺度的多层多阈值检测算法7，通过人工调参的方式能够有效检测红外图像舰船目标，效果具有指导意义。 针对海面目标存在云层和海杂波干扰的问题，Daniel8估计了一个水/云子空间，降低了检测虚警。 Corbane9提出了一个完整的基于高分辨图像的可操作舰船检测算法，使用滤波的方法分割出目标区域，然后使用小波分析降虚警。 基于注意力机制的滤波算法常被应用于海面目标检测，Vanrell10提出了一个显著性模型，4华华中科技大学硕士学位论文文通过对尺度加权，环绕响应区域进行逆小波变换实现滤波，但是完全基于局部响应的滤波算法没有利用全文信息，虚警较高。 Proia N11针对高分辨率卫星图像中弱小目标检测，基于贝叶斯理论对窗口大小和决策阈值精准描述。 基于传统算法的舰船目标检测抗干扰能力较差，尤其是在复杂场景下，检测算法的准确率和召回率会大幅下降，有较高虚警率。 1.3.2基于机器学习算法的海面目标检测自上世纪以来，机器学习的发展逐渐加快，基于机器学习的目标检测算法层出不穷，大多是通过构建一个鲁棒性强、分类效果好的分类器，对图像特征进行分类，用于区分背景和目标。 Dalal12等人利用对图像中目标区域边缘梯度信息的提取，构建一个鲁棒性强的HOG特征，并利用支持向量机（Support VectorMachine，SVM）13对HOG特征进行分类，在行人检测领域大放光彩。 文献14使用SVM对提取出来的舰船目标的形状和纹理特征进行分类，使得检测算法虚警率大幅下降。 Han15针对遥感图像中丰富的空间背景信息，提出一种deep Boltzmannmachine和贝叶斯网络16结合的目标检测框架，将高级特征学习和弱监督学习结合在一起。 YuXia17提出了一种基于SVM算法的舰船检测算法，通过人为选定的特征（如长、宽、角度等），送入SVM分类器学习，提高了舰船检测算法的鲁棒性，但是人为选定的特征具有一定的局限性，不一定是最佳的特征。 基于机器学习的海面目标检测算法需要基于人的先验知识，然而先验知识不一定完全正确，并且人的认识是有限的，很难构建一个鲁棒性强的检测器。 1.3.3基于深度学习的海面目标检测近年来，深度学习发展如火如荼，尤其是在目标检测领域，各类SOTA（State-of-The-Art）算法层出不穷，自xx年Girshick R等人提出的R-N18网络开始，Fast R-N19、Faster R-N20、YOLO21、R-F22等各类目标检测算法相继公布，取得了令人惊叹的成绩。 相关科研人员也开始尝试将最新的深度学习算法引入海面目标检测技术领域。 针对单源遥感图像目标检测算法，大多基于现有的深度学习网络进行改进。 5华华中科技大学硕士学位论文文Tang23利用深度神经网络和极限学习机，解决了光学遥感图像易受干扰和图像尺寸过大的问题。 华中科技大学高常鑫24针对高分辨率遥感图像，提出一种依据上下文信息的分层深度学习算法，实现了高精度的目标检测算法。 哈尔滨工程大学的赵春晖25提出了一种基于改进Faster R-N的舰船目标检测算法，通过使用K-means聚类算法针对舰船目标独特的anchor size聚类分析，将原始网络中的9个anchor降为5个，使算法速度大幅提升。 武汉大学26提出基于FasterR-N和VGG16的遥感影像目标检测算法。 吴金亮27提出一种基于Mask R-N的检测算法，运用分割的思路进行舰船目标检测，有较高的精度。 针对SAR图像噪声强的特点，海军航空大学的李健伟28等人提出了一种基于改进Faster R-N网络的SAR图像舰船检测算法，并制作了一套SAR舰船数据，有一定的参考意义。 单源图像目标检测算法在复杂场景下检测准确率较高，但在实际使用过程中，遥感图像容易出现的云层、岛礁、海杂波等干扰会降低检测算法的召回率。 针对单源遥感图像海面目标检测算法存在的局限性，众多研究人员开展基于多源图像融合的算法研究29。 华中科技大学的黄杰军30提出一种基于改进YOLO网络的融合检测算法，通过决策级融合红外和可见光图像的检测结果，提升了舰船目标检测算法的mAP值。 国防科技大学唐聪31将红外和可见光图像检测结果融合，提出一种基于决策级融合的目标检测算法，通过将各自单源检测算法的优势互补，提升了检测准确率和召回率。 图1-1SAR图像舰船检测图1-2可见光图像舰船检测基于深度学习的舰船目标检测算法各式各样，目的都是想要通过卷积神经网络实现end-to-end的目标检测框架，但是由于遥感图像幅面广、尺寸大、干扰强、目标小的特点，没有一个通用的检测框架能够解决所有的检测问题。 本文采用基6华华中科技大学硕士学位论文文于可见光、SAR图像融合的遥感图像海面舰船目标检测方法，将多源图像各自的优势结合起来，解决单源遥感图像舰船目标检测存在的云层干扰、岛礁干扰、海杂波干扰、高虚警等问题。 因为NMS算法的限制，导致现有深度学习目标检测网络无法有效检测密集分布的多目标，为了有效提升算法对多目标的检测性能，并且尽可能多的获取目标信息，为后面的决策级融合算法提供更多的特征信息以提升融合检测效果，本文引入旋转检测方法，在单源遥感图像舰船检测中增加一维信息，预测舰船的旋转角度，即目标的轴向信息。 关于旋转检测算法的研究，最初用于文本框旋转检测，后来被相关研究人员用于旋转目标的检测。 Lei Liu32提出一种基于改进SSD34网络的旋转文本检测算法DRBox，算法通过改变预先设定的anchor，加入一系列旋转角度信息，将水平方向的anchor扩展为6个角度用于检测舰船目标，最后一层feature map大小为3838，每个格子预测3个尺度，所以共计要生成43320个anchor，算法预测一次16001600大小的图片，耗时1s。 图1-3DRBox检测示意图32但是DRBox只用了一层feature map作预测，无法有效检测弱小目标。 为了提高弱小目标的检测率，Yingying Jiang35等人在对弱小目标检测效果更好的FasterR-N网络上修改，提出了一种新的网络架构R?N，该网络在RPN网络生成Proposal（推荐区域）时，开辟一个新的分支，一个分支用于生成“正”的Proposal，另一个分支用于生成“斜”（即带有角度信息）的Proposal，然后对两个分支分别进行Bounding BoxRegression（边框回归），前者预测“正”的外接框，后者预测“斜”的外接框，最后，将RPN和这两个分支共同的loss合在7华华中科技大学硕士学位论文文一起计算，用于训练网络。 图1-4R?N旋转目标检测35R?N充分吸收FasterR-N网络的two-stage思想，两次预测，逐渐逼近最优预测值，取得了较好的效果，但是也存在two-stage框架一直都有的问题，即网络复杂度高和预测速度较慢。 Xue Yang36等人在R?N的基础上，提出新的旋转检测网络R?N+，在RPN网络的前面修改基础网络，借鉴了FPN37的金字塔结构和U-Net38思想，增加了IF-Net用于融合feature map的多尺度特征，可以提升对弱小目标的检测效果，同时借鉴了SE-Net39和单通道注意力mask40的思想，提出一种能降低背景噪声干扰的MDA-Net结构，最后加上预测旋转位置信息的RPN和BBoxRegression结构，得到了旋转目标检测state-of-art的效果。 1.4本文的主要研究内容本文针对大幅面遥感图像海面目标检测中，传统阈值分割算法在复杂场景下存在高虚警、低召回、抗干扰能力差的问题开展研究，旨在通过改进的深度学习算法提升对多目标检测的准确率和召回率，降低虚警，同时采用多源图像融合的方法进一步提升抗干扰能力。 首先提出利用深度学习网络YOLOv3在制作的遥感数据集上进行训练，用得到的模型对遥感图像进行预测，分析结果得知，现有算法在复杂场景下检测性能优越，但是预测信息单一，对多目标检测时存在召回率低的问题。 针对此问题引入旋转检测方法，提出R-YOLO网络，可以将原始预测的目标外接矩形框进一步精细化，输出目标的最小面积外接矩形，即可预测目标的真实长宽和轴向信息，输出更8华华中科技大学硕士学位论文文多维特征信息的同时，提升了算法对复杂场景下多目标检测性能。 为了进一步提升检测算法的抗干扰能力，本文分析了可见光、SAR图像各自特性，提出一种基于迁移学习的多源图像决策级融合的目标检测算法，实验证明，本算法能显著提升目标检测的抗干扰能力。 最后，本文在GPU开发板上实现了算法移植。 本文共分为六章第1章首先介绍大幅面遥感图像舰船目标检测的意义，阐明遥感图像目标检测存在鲁棒性差等问题，引出本文所要解决的问题和研究意义。 在归纳本领域解决方法的同时，介绍国内外研究现状，最后对全文主要研究内容、方法和章节安排进行介绍。 第2章首先从传统算法、机器学习、深度学习三个角度简述遥感图像目标检测原理，随后详细介绍遥感图像舰船目标检测的各类干扰因素，也是本文将要解决的主要问题。 同时为了评估本文算法在移动端的检测性能，引入模型大小、检测速度等一系列评价指标。 最后，简述深度学习的相关技术，对本文检测算法所用到的一些基础概念进行了简要介绍。 第3章首先针对传统舰船检测算法在复杂场景下遥感图像上存在高虚警、低识别率的问题，引入深度学习目标检测网络YOLOv3，通过在遥感舰船数据集进行训练、学习并预测复杂背景下舰船目标的位置信息。 实验表明该算法在复杂场景下检测性能优秀，但是输出特征维度信息单 一、提供的有效信息太少、且对多目标检测时召回率较低。 鉴于此，引入旋转目标检测方法，提出基于R-YOLO的舰船检测模型，通过重新定义旋转矩形的表现形式、设计新的网络损失函数和旋转IOU计算方式，精细化输出目标的真实长宽和轴向信息，增加输出的特征维度，有效提升多目标检测的召回率和检测速度。 最后，为了提升算法在移动端的实用性，对模型进行轻量化处理，在保证检测精度的同时，大幅压缩模型参数量。 第4章本章首先分析单源遥感图像存在云层、岛礁、海杂波、角反等干扰的问题，指出单源遥感图像舰船检测算法抗干扰能力差的缺点。 为了有效提升舰船检测的准确率和召回率，降低虚警率，在详细分析可见光、SAR遥感图像各自特性及优劣势的基础上，引出多源遥感图像决策级融合算法。 并针对目前SAR舰船数据集极少的现状，对数据集非均衡性进行分析，提出基于迁移学习的联合检测算法以减低样本9华华中科技大学硕士学位论文文非均衡带来的影响。 最后，在多源遥感图像检测结果的基础上，提出多源图像同目标配准的具体方法，并利用决策级融合的方式提升多源遥感图像融合检测性能。 第5章进行了大量的对比实验来验证本文算法的有效性。 首先分别介绍可见光、SAR遥感图像舰船数据集，以及融合算法要用到的大幅面遥感图对的制作方式。 详细介绍了本文算法的运行环境和参数配置。 然后分别进行了单模型、多源数据迁移学习、决策级融合检测对比实验，实验结果表明本文算法能有效提升遥感图像舰船检测算法的准确率和召回率，抗干扰能力提升显著。 随后在不同成像条件下对本文算法进行了适应性分析实验，测试算法的鲁棒性。 最后，在GPU开发板JetsonTX2上实现算法移植，并提供tiny版本模型用于提高检测速度，并对移植后检测性能进行了测试。 第6章对全文研究内容进行总结并对后续工作开展进行展望。 10华华中科技大学硕士学位论文文2遥感图像舰船目标检测技术大幅面遥感图像海面目标检测是海洋遥感技术的重要研究课题之一，快速精准的从遥感图像中检测出舰船目标，是目标检测领域的重要研究方向。 本章首先从传统算法、机器学习、深度学习三个角度简述遥感图像目标检测原理，随后详细介绍遥感图像舰船目标检测的各类干扰因素，同时引进一系列检测性能评价指标。 最后，简述深度学习的相关技术，对本文检测算法所用到的一些基础概念进行了简要介绍。 2.1遥感图像舰船目标检测原理遥感图像海面目标检测的基本原理是通过对由光学遥感卫星、SAR遥感卫星、无人机航拍图像等方式获取到的遥感图像进行图像处理，检测出图像中存在的舰船目标，输出其位置信息。 示意图如图2-1所示图2-1遥感图像舰船目标检测示意图11华华中科技大学硕士学位论文文2.1.1传统舰船检测算法传统检测算法通过分析舰船目标和海面背景、云层、岛礁等干扰之间存在的特征差异信息（如舰船的边缘信息、灰度分布、显著性特征等），通过人工设置的特征提取器，对整幅图像提取特征，然后使用预先设定的阈值对特征图像进行筛选，从而得到舰船目标的位置信息。 原理如图2-2所示遥感图像图像预处理灰度特征显著性特征边缘特征分形特征目标/背景分离舰船目标位置信息图2-2舰船目标传统检测算法原理图2.1.2基于机器学习的舰船检测算法利用机器学习算法对遥感图像舰船目标检测的方法可简单分为三个步骤提取特征、分类、预测。 通过利用人为设计的特征提取器，针对舰船图像数据提取特征，然后使用分类器对提取到的特征进行分类学习，预测即是利用学习好的分类器对特征分类，输出目标的位置信息。 具体步骤如下1)利用多尺度滑动窗口在遥感图像上获取训练数据；2)针对数据集提取特征（如Sift、Surf、Hog、Orb等特征）；3)针对提取的特征使用分类器（如SVM）学习；4)预测时直接在原图上滑动提取特征，分类器进行预测类别，同时输出目标位置信息；机器学习遥感图像舰船目标检测流程图如图2-3所示12华华中科技大学硕士学位论文文遥感图像多尺度窗口特征提取分类器判别图2-3机器学习舰船目标检测流程图2.1.3基于深度学习的舰船检测算法对于深度学习算法而言，目标检测算法大致可以分为两类以YOLO，SSD等算法为代表的one-stage框架和以R-N系列为代表的two-stage框架，前者是一个端到端（end-to-end）的检测网络，输入图像后利用卷积核提取特征，最后直接对特征图（feature map）进行类别预测（class regression）和边框回归（bounding boxregression），得到目标的类别和位置信息。 后者是先通过RPN框架输出候选框（proposal），然后对候选框进行类别预测和位置回归。 两者的差别是one-stage框架预测速度快，但是精度低；two-stage框架精度高，但是速度慢。 主要流程如下1)制作目标训练数据集和测试集；2)利用构建的卷积神经网络对数据提取特征；3)对特征图进行类别预测和边框位置回归。 训练集测试集类别预测边框回归图2-4深度学习目标检测原理示意图2.2遥感图像舰船目标检测干扰因素遥感图像的特点是幅面大、范围广、干扰多、目标尺寸小。 与普通的自然场景下目标检测不同，抗干扰能力是遥感图像目标检测重要的模型评价指标，因此需要对遥感图像存在的各类干扰形式进行分析，并在算法中针对各类干扰做出调整，以增加检13华华中科技大学硕士学位论文文测准确率和召回率，降低虚警。 2.2.1云层干扰遥感图像大多由遥感卫星拍摄，飞行高度一般在600km到4000km之间，而云层一般分布在2km到13km之间，因此遥感图像中不可避免会出现各类云层干扰。 图2-5各类云层干扰2.2.2岛礁干扰由于海面上存在各类不同大小的岛礁分布，如果岛礁与舰船尺寸相当，则很容易被检测算法误识别为舰船。 图2-6各类岛礁干扰2.2.3海杂波干扰由于海面不平，存在波浪，雷达信号在扫到海面时，如果海杂波角度合适，会在图像产生一个极强的回波信号，SAR图像遇到这类回波时就会产生较强的虚警。 14华华中科技大学硕士学位论文文图2-7遥感图像海杂波干扰2.2.4其他人工干扰物民用方面，海上钻油平台、渔民投放到海面上的浮标，或者海上漂浮的垃圾等；军事上，人工放置的角反射器、虚假目标等，都会成为遥感图像中背景的噪声，增加了舰船检测算法的虚警率。 图2-8海上浮标、角反、钻井平台2.3舰船目标检测评价指标为了量化舰船目标检测的效果，通常需要对目标检测结果统计分析，定义检测结果评价指标，便于对比分析检测算法优劣。 一般来说，目标检测算法评价指标有准确率、召回率、平均精度；对检测模型而言，评价指标有检测速度、模型大小等；2.3.1准确率预测类别实际类别正类负类正类TP FN15华华中科技大学硕士学位论文文负类FP TNTP表示实际类别为正类，预测出类别为正类的数量FN表示实际类别为正类，但是预测出类别为负类的数量FP表示实际类别为负类，但是预测出类别为正类的数量TN表示实际类别为负类，预测出类别为负类的数量准确率定义为?=?+?(2-1)可理解为，所有的实际为正样本的目标中，检测出为正类的目标数量的占比。 准确率体现了目标检测算法的正确度，准确率越高，说明误检的目标越少。 2.3.2虚警率虚警率又称误检率，即检测出的所有目标中，虚假目标的占比，定义为?=?+?(2-2)本质上虚警率和准确率属于互斥关系，即FA=1-Precision，因此准确率可以用来描述虚警率。 2.3.3召回率依据上述准确率的定义，召回率定义为?=?+?(2-3)召回率可理解为，所有实际为正类的目标中，被预测为正类的目标数量的占比，召回率体现了目标检测算法的找全率，召回率越高，则说明漏检目标越少。 2.3.4平均精度由于准确率和召回率有时会出现矛盾的现象，因此为了全面衡量一个检测器的检测效果，需要综合考虑准确率和召回率，可以通过绘制准确率召回率（P-R）曲线，计算曲线下的面积，面积越大，表示检测算法的性能越好。 公式定义如下?=?(?)?10(2-4)16华华中科技大学硕士学位论文文式中，P表示准确率，R表示召回率。 2.3.5检测速度衡量模型的运行速度，即可分析模型在实际应用中的可实现性，一般采用帧率（FPS）来表示检测速度，即每秒可处理指定大小图像的帧数，FPS越高，代表检测模型运行越快，实时性越好。 2.3.6模型大小模型训练出来，最终目的是运行到硬件平台上，受限于硬件资源的限制，模型的大小和复杂度也是必不可少的评价指标，本文采用模型参数量作为模型复杂度的衡量指标，单位为兆（M）。 2.4深度学习简介2.4.1卷积神经网络卷积神经网络是深度学习网络中最流行的一种形式，与传统神经网络结构相比，卷积神经网络的两个主要特点是权值共享和池化操作。 权值共享的实现方式是通过卷积核在图片上卷积操作，提取同一种特征，与传统神经网络不同的是，这里的一个卷积层提取到的是一类特征，卷积核的参数是不变的，图片中的所有被卷积区域共享卷积核同一参数。 权值共享的好处是能够显著降低神经网络的参数量，适用于图片这种海量数据的特征提取。 池化操作的目的是为了降低参数量，针对图片这种大尺寸数据类型，在卷积的过程中对特征图进行池化，可以显著降低参数量，同时防止模型过于复杂以至于过拟合，起到了模型“剪枝”的作用。 2.4.2卷积卷积操作是指利用卷积核在原图上滑动遍历，将滑动窗口处的灰度值和卷积核对应的数值相乘，然后将相乘结果加起来，作为这次卷积的结果值，也是输出特征图上对应的结果值。 传统图像处理算法中的sobel算子、Prewitt算子、Laplacian算子、高斯模糊、均值模糊等操作，其实也是一个卷积操作，只不过这里的卷积核是人为设17华华中科技大学硕士学位论文文定的，用于提取指定特征，而深度学习卷积层里，卷积核的参数是由训练过程中，反向传播算法更新出来的。 图2-9卷积过程示意图卷积后输出特征图尺寸的计算公式如下?2=(?1?+2?)/?+1(2-5)?2=(?1?+2?)/?+1(2-6)?2=?(2-7)式中，? 1、?1指原图的宽、高，? 2、?2指特征图的宽、高，F指卷积核的尺度大小，P指卷积过程中外扩（Padding）尺寸，?2是指卷积后特征图通道数量，K是指卷积核通道数。 卷积分为正卷积和反卷积，反卷积实现方法和正卷积一样，只是可以通过设计卷积的步长和padding尺度使输出的特征图比原图更大，模拟正卷积的逆向过程。 2.4.3反向传播和损失函数反向传播算法是至今为止深度学习算法最有效、应用最广泛的训练方法，通过前向传播计算网络输入和输出的差值，即损失函数，然后根据损失函数利用梯度下降算法反向传播，计算网络中参数的更新方向和更新梯度，目的是使损失值下降，通过迭代训练，使参数逐步拟合最优值，直至模型收敛。 通过对损失函数关于和求偏导，然后利用梯度下降法算法反向传播，更新网络参数。 反向传播计算时，每一个节点对loss的贡献称为残差，如第个输出层的第W bl18华华中科技大学硕士学位论文文个神经元，其残差定义为(2-8)式中，表示第个隐藏层的第个神经元的输出，C即网络的损失函数，定义为(2-