雙向特征融合的數(shù)據(jù)自適應(yīng)SAR圖像艦船目標(biāo)檢測模型

雙向特征融合的數(shù)據(jù)自適應(yīng)SAR圖像艦船目標(biāo)檢測模型

人工智能技術(shù)與咨詢 昨天

本文來自《中國圖象圖形學(xué)報》，作者張筱晗等

關(guān)注微信公眾號：人工智能技術(shù)與咨詢。了解更多咨詢！
?

摘要：?利用合成孔徑雷達（synthetic aperture radar，SAR）圖像進行艦船目標(biāo)檢測是實施海洋監(jiān)視的重要手段。基于深度學(xué)習(xí)的目標(biāo)檢測模型在自然圖像目標(biāo)檢測任務(wù)中取得了巨大成功，但由于自然圖像與SAR圖像的差異，不能將其直接遷移到SAR圖像目標(biāo)檢測中。針對SAR圖像目標(biāo)檢測實際應(yīng)用中對速度和精度的需求，借鑒經(jīng)典的單階段目標(biāo)檢測模型（single shot detector，SSD）框架，提出一種基于特征優(yōu)化的輕量化SAR圖像艦船目標(biāo)檢測網(wǎng)絡(luò)。方法?改進模型并精簡網(wǎng)絡(luò)結(jié)構(gòu)，提出一種數(shù)據(jù)驅(qū)動的目標(biāo)分布聚類算法，學(xué)習(xí)SAR數(shù)據(jù)集的目標(biāo)尺度、長寬比分布特性，用于網(wǎng)絡(luò)參數(shù)設(shè)定；對卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）提取的特征進行優(yōu)化，提出一種雙向高低層特征融合機制，將高層特征的語義信息通過語義聚合模塊加成到低層特征中，在低層特征中提取特征平均圖，處理后作為高層特征的注意力權(quán)重圖對高層特征進行逐像素加權(quán)，將低層特征豐富的空間信息融入到高層特征中。結(jié)果?利用公開的SAR艦船目標(biāo)檢測數(shù)據(jù)集（SAR ship detection dataset，SSDD）進行實驗，與原始的SSD模型相比，輕量化結(jié)構(gòu)設(shè)計在不損失檢測精度的前提下，樣本測試時間僅為SSD的65%；雙向特征融合機制將平均精確度（average precision，AP）值由77.93%提升至80.13%，訓(xùn)練和測試時間分別為SSD的64.1%和72.6%；與公開的基于深度學(xué)習(xí)的SAR艦船目標(biāo)檢測方法相比，本文方法在速度和精度上都取得了最佳性能，AP值較精度次優(yōu)模型提升了1.23%，訓(xùn)練和測試時間較精度次優(yōu)模型分別提升了559.34 ms和175.35 ms。結(jié)論?實驗充分驗證了本文所提模型的有效性，本文模型兼具檢測速度與精度優(yōu)勢，具有很強的實用性。

? ? ? 艦船目標(biāo)檢測是實施海洋監(jiān)視的重要環(huán)節(jié)，在軍事偵察、海洋運輸管理、海上犯罪打擊等領(lǐng)域都有著重要應(yīng)用(Allard等，2008)。得益于全天時、全天候的優(yōu)勢，合成孔徑雷達(synthetic aperture radar，SAR)圖像成為一種有效的艦船目標(biāo)遙感數(shù)據(jù)源，SAR艦船目標(biāo)檢測得到了廣泛研究。傳統(tǒng)的基于海雜波建模思想的SAR艦船檢測方法通常針對某一場景進行建模(Dalal和Triggs，2005；Agrawal等，2015；Pappas等，2018)，無法同時兼顧多類應(yīng)用場景。而基于數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)目標(biāo)檢測方法則不受場景影響，只要提供充足多樣的數(shù)據(jù)，即可訓(xùn)練深度網(wǎng)絡(luò)自動提取圖像特征，實現(xiàn)目標(biāo)檢測。

得益于計算機技術(shù)與人工智能技術(shù)的發(fā)展，在計算機視覺領(lǐng)域，基于深度學(xué)習(xí)的目標(biāo)檢測方法取得了很多檢測任務(wù)的最佳性能。經(jīng)典的目標(biāo)檢測模型，包括以Faster RCNN(region convolutional neural network)(Ren等，2017)為代表的雙階段檢測模型、以YOLO(you only look once)(Redmon等，2015)和SSD(single shot multi-box detector)(Liu等，2016)為代表的單階段檢測模型都被引入到SAR艦船檢測中。與傳統(tǒng)方法相比，這些模型多是端到端的，并且在精度和泛化能力上有了很大提升。但是，將這些模型從自然圖像目標(biāo)檢測遷移到SAR艦船目標(biāo)檢測時仍面臨著一些問題:1)這些模型參數(shù)，如網(wǎng)絡(luò)層數(shù)和錨框設(shè)置多是針對Pascal VOC(visual object classes)(Everingham等，2015)和MS COCO(Lin等，2014)等自然圖像數(shù)據(jù)集設(shè)定的，而這些設(shè)置未必適合SAR艦船數(shù)據(jù); 2)數(shù)據(jù)量相對較小的檢測數(shù)據(jù)集往往不足以從頭訓(xùn)練規(guī)模較大的檢測模型，通常做法是在檢測模型初始化時，將特征提取部分直接載入大型自然圖像分類數(shù)據(jù)集(如ImageNet等)預(yù)訓(xùn)練好的模型參數(shù)，然后使用檢測數(shù)據(jù)集進行微調(diào); 3)分類任務(wù)與檢測任務(wù)、自然分類數(shù)據(jù)集與SAR目標(biāo)檢測數(shù)據(jù)集存在偏差; 4)SAR圖像自身的一些特點給檢測增加了難度，如受空間分辨率與成像機理影響，圖像中艦船目標(biāo)細節(jié)信息少，各類艦船尺度不一、分布各異等。在設(shè)計SAR艦船目標(biāo)檢測模型時, 要考慮這些問題。Kang等人(2017)和Yang等人(2018)根據(jù)使用的遙感艦船數(shù)據(jù)重新設(shè)置了檢測模型參數(shù)。Deng等人(2019)利用密集連接網(wǎng)絡(luò)作為特征提取網(wǎng)絡(luò)，并采用了特征重用等策略，可以從頭訓(xùn)練。為了提升SAR艦船目標(biāo)檢測的精度，學(xué)者利用多種方式對網(wǎng)絡(luò)提取的特征進行優(yōu)化，其中，特征融合是一項常用策略(Jiao等，2018；Zhang等，2019)。自從Lin等人(2017)提出特征金字塔網(wǎng)絡(luò)(feature pyramid network，F(xiàn)PN)，其高低特征層融合的思想大量用于多種模型。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)在提取特征過程中，隨著網(wǎng)絡(luò)層數(shù)的加深與池化層的應(yīng)用，深特征層有著更大的感受野，能夠提取出更多抽象的全局語義特征，而淺層特征空間信息更加豐富。為彌補淺層特征語義信息的不足，將高層特征處理后加入到淺層特征。Wang等人(2018)將FPN中的語義聚合策略應(yīng)用在SAR艦船檢測中，與原始的SSD模型相比，顯著提升了艦船檢測精度。Kang等人(2017)將淺層特征、中層特征與高層特征都融合起來，輸入到Faster RCNN模型。特征融合的策略能夠提升模型性能，但也增加了運算量，此外，大部分融合模型的融合通道是由上至下的，沒有考慮高層信息中空間信息的不足。

針對上述問題，本文對SAR圖像艦船目標(biāo)檢測進行研究，針對SAR圖像的特點改進了經(jīng)典檢測模型SSD，同時提升了目標(biāo)檢測的速度和精度。本文工作包括兩部分：1)根據(jù)SAR數(shù)據(jù)的特點，精簡了SSD模型結(jié)構(gòu)，提出了一種數(shù)據(jù)集目標(biāo)特性聚類算法，用于指導(dǎo)網(wǎng)絡(luò)參數(shù)的設(shè)置；2)借鑒特征融合思想，提出一種雙向特征融合機制，除了利用語義聚合增強淺層特征的語義信息，同時設(shè)計了一種新的基于注意力機制的融合方法，將淺層特征豐富的空間信息加成到高層特征。前者主要改進模型適應(yīng)SAR艦船檢測任務(wù)，后者進一步優(yōu)化模型，提升檢測精度。在公開SAR艦船目標(biāo)檢測數(shù)據(jù)集SSDD(SAR ship detection dataset)(Li等，2017)上的實驗充分驗證了本文方法的有效性。

1 LSSD檢測模型

1.1 模型結(jié)構(gòu)

本文模型是在經(jīng)典的SSD模型基礎(chǔ)上改進的，并以VGG-16(visual geometry group 16)作為特征提取網(wǎng)絡(luò)。標(biāo)準的SSD-300模型(輸入圖像大小為300 × 300 × 3)保留了VGG-16的前5個卷積單元，去掉全連接層，并繼續(xù)在后面連接了6個卷積單元，最終卷積單元輸出的特征圖空間維變成1×1。但是，對SAR圖像來說，某種極化模式下獲取的圖像是單通道的。在使用通用檢測模型時，通常做法是將單通道SAR圖像擴展為3通道作為輸入，這種做法增加了網(wǎng)絡(luò)的冗余信息。此外，SAR遙感圖像中的艦船目標(biāo)尺度變化很大，所占像素從幾個到幾百不等，但受空間分辨率影響，單個艦船目標(biāo)通常不會占滿圖像(300 × 300像素標(biāo)準輸入大小)。因此，對模型進行更改，直接以單通道圖像作為輸入，去掉SSD模型的后3個卷積模塊，并將全部卷積層的通道維減半。這樣，與SSD相比，網(wǎng)絡(luò)需要訓(xùn)練的參數(shù)量少于原來的1/4，模型顯著變輕量化，將其命名為LSSD(lightweight SSD)。經(jīng)驗證，即使是較小的檢測數(shù)據(jù)集如SSDD也可以從頭訓(xùn)練LSSD，使其不必依賴于分類任務(wù)預(yù)訓(xùn)練模型。借鑒SSD模型的設(shè)置，同時考慮SAR圖像中的小艦船目標(biāo)，選取conv3_3、conv4_3、conv7、conv8輸出的特征圖輸入到檢測器中進行后續(xù)檢測。

本文模型整體框架如圖 1所示，圖中右側(cè)為LSSD網(wǎng)絡(luò)的具體設(shè)置，圖中S代表語義聚合，A代表注意力引導(dǎo)的融合。

圖 1?本文模型框架圖

Fig. 1?Framework of proposed model

1.2 基于聚類算法的數(shù)據(jù)集目標(biāo)特性統(tǒng)計

與Faster RCNN和SSD模型相同，LSSD也是基于錨框(anchor)實施檢測。錨框的設(shè)置包括尺度和比例，能夠反映數(shù)據(jù)集中目標(biāo)的尺度和比例分布特性，對網(wǎng)絡(luò)檢測性能具有重要影響。受YOLOv2(Redmon和Farhadi，2017)中的維度聚類算法啟發(fā)，本文設(shè)計了一種基于聚類的目標(biāo)特性分布自動學(xué)習(xí)算法，具體內(nèi)容以SSDD數(shù)據(jù)集為例進行說明。

假設(shè)圖像大小為M×NM×N，艦船目標(biāo)檢測框大小為w×hw×h。目標(biāo)尺度ss和長寬比rr的定義為

?

?

?

?

1) 學(xué)習(xí)數(shù)據(jù)集中艦船目標(biāo)的尺度分布。假設(shè)數(shù)據(jù)集中所有艦船目標(biāo)的尺度集合為S:{s1,s2,…,sk}S:{s1,s2,…,sk}，設(shè)定kk個尺度聚類中心U:{μ1,μ2,???,μk}U:{μ1,μ2,···,μk}，其中μiμi初值為[0,1][0,1]區(qū)間的隨機值，μ1μ1到μkμk從小到大排列。通過最小化目標(biāo)各尺度與聚類中心歐氏距離之和dsds，以更新UU的參數(shù)，即

?

?

式中，j∈{1,2,???,k}j∈{1,2,···,k}，μjμj為最接近sisi的聚類中心。每次迭代中，μjμj更新為以其為聚類中心的所有目標(biāo)尺度的均值，不斷迭代直到dsds小于設(shè)定閾值。迭代完成后，將學(xué)習(xí)到的尺度聚類中心UU分配到合適的特征層中，較小的尺度分配給低的特征層，大的錨框尺度則分配給高特征層。

2) 學(xué)習(xí)數(shù)據(jù)集中艦船目標(biāo)的長寬比分布特性。設(shè)定特征層lxlx的長寬比聚類中心個數(shù)為gg，尺度接近該層各尺度聚類中心的艦船目標(biāo)長寬比構(gòu)成集合Rx:{rx1,rx2,…}Rx:{rx1,rx2,…}，gg個長寬比聚類中心構(gòu)成集合Vx:{τ1,τ2,…,τg}Vx:{τ1,τ2,…,τg}，τiτi初值設(shè)為隨機正數(shù)，通過最小化目標(biāo)長寬比到各自聚類中心歐氏距離之和drsdrs進行優(yōu)化，即

?

?

式中，j∈{1,2,…,g}j∈{1,2,…,g}，τjτj為最接近rxirxi的長寬比聚類中心。每次迭代中，τjτj更新為聚類中心目標(biāo)長寬比的均值。不斷進行迭代，直到drsdrs小于設(shè)定閾值。最后根據(jù)長寬比聚類中心的值設(shè)置該層錨框的長寬比參數(shù)。

2 基于雙向融合的特征優(yōu)化

2.1 原理分析

卷積神經(jīng)網(wǎng)絡(luò)提取的分層特征有著不同的特點。與SSD一樣，為檢測多尺度目標(biāo)，LSSD也使用了多層特征。其中淺層特征通常包含更多目標(biāo)細節(jié)信息，缺乏高級語義信息; 深層特征信息更加抽象，但缺乏空間位置信息。以FPN網(wǎng)絡(luò)為代表的從上到下的語義聚合的特征融合方式已經(jīng)得到了廣泛應(yīng)用，針對如何將淺層豐富的空間信息傳遞到深特征層，本文提出了基于注意力機制的融合方式。

為直觀理解CNN提取的特征，本文將訓(xùn)練好的LSSD模型中不同層的特征進行可視化。圖 2是訓(xùn)練好的LSSD模型提取的兩幅SAR圖像conv3_3、conv4_3、conv7、conv8的第1通道和第64通道的特征圖及各通道平均熱力圖。可以看出，針對輸入的特定圖像，不同卷積層在不同通道提取了不同特征，但很難解釋特定通道特征的含義。為展示每個卷積層提取的整體特征，在特征層通道維進行全局平均池化，得到特征的空間維平均圖，并以熱圖的形式展示。從平均圖可以看出，隨著特征層的增深，平均特征中關(guān)于目標(biāo)的表征越來越抽象。其中，在conv4_3的特征平均圖中，無論背景是較為簡單的水面，還是更復(fù)雜的陸地，艦船目標(biāo)與背景分離最明顯。受計算機視覺中注意力機制(Woo等，2018)啟發(fā)，將conv4_3特征平均圖視為空間注意力顯著圖，指導(dǎo)網(wǎng)絡(luò)更關(guān)注的位置?？梢灾苯永胏onv4_3特征平均圖作為權(quán)重圖，去對其余更深的特征層進行加權(quán)，以這種方式將低特征層的目標(biāo)位置信息傳遞到更深的特征層中，實現(xiàn)特征自下而上的融合。

圖 2?訓(xùn)練好的LSSD模型從SAR圖像提取的特征圖

Fig. 2?Feature maps extracted by our trained model from SAR image

((a) original images; (b) conv3_3; (c) conv4_3; (d) conv7; (e) conv8)

2.2 特征雙向融合實施流程

采用的雙向特征融合操作流程如圖 3所示。首先進行自上而下的語義聚合，然后實施注意力機制引導(dǎo)下的自下而上的特征融合。語義聚合模型(圖 3(a))主要包括深層特征上采樣、特征圖通道維串聯(lián)以及1×1卷積修正通道數(shù)等過程，最終融合特征與淺層特征在空間維和通道維的尺寸相同?；谧⒁饬σ龑?dǎo)的特征融合模塊如圖 3(b)所示，來自conv4_3的特征圖在通道維進行平均池化，得到大小為pp的平均特征圖FF，作為融合中的注意力圖。FF通過sigmoid函數(shù)進行歸一化，得到注意力權(quán)重圖，具體計算為

?

?

圖 3?特征融合算法流程圖

Fig. 3?Framework of our feature fusion module

((a) semantic aggregation block; (b) attention guided fusion block)

式中，xx代表FF中各像素值，F(xiàn)(x)∈(0,1)F(x)∈(0,1)。該權(quán)重圖被用來對其余特征層進行加權(quán)。融合前，需要通過下采樣等方式將權(quán)重圖的大小改為高層特征圖的空間大小，然后對高層特征的每個通道的特征圖進行逐元素相乘的操作，得到融合特征圖。注意該操作只自下而上進行，conv4_3特征圖得到的注意力權(quán)重圖不再影響conv3_3。

3 實驗與結(jié)果分析

對本文方法利用公開的SSDD數(shù)據(jù)集進行實驗，首先利用基于聚類的數(shù)據(jù)集目標(biāo)特性統(tǒng)計方法指導(dǎo)的網(wǎng)絡(luò)參數(shù)設(shè)置與原SSD網(wǎng)絡(luò)參數(shù)設(shè)置進行對比，然后逐步對比本文方法每一模塊的效果，最后將本文方法與其他SAR艦船目標(biāo)檢測的方法進行對比。

3.1 數(shù)據(jù)集說明與實驗設(shè)置

SSDD數(shù)據(jù)集是國內(nèi)第1個公開的SAR艦船目標(biāo)檢測數(shù)據(jù)集，包含1 160幅圖像與2 456個艦船實例。實驗平臺操作系統(tǒng)為64位單GTX 1080Ti GPU計算機，操作系統(tǒng)為Ubuntu 16.06，編程語言為Python，使用的深度學(xué)習(xí)框架為TensorFlow，并使用CUDA9.0與cuDNN7.0加速。訓(xùn)練次數(shù)設(shè)為12萬次，前2萬次初始學(xué)習(xí)率為0.000 1，接下來6萬次學(xué)習(xí)率設(shè)為0.000 01，最后4萬次學(xué)習(xí)率設(shè)為0.000 001。訓(xùn)練中，批次容量設(shè)為24，使用momentum訓(xùn)練優(yōu)化器。

為評價測試結(jié)果，采用精確率(precision)、召回率(recall)以及平均精確率(average precision，AP)作為客觀評價指標(biāo)，指標(biāo)的具體定義與Kang等人(2017)采用的定義相同。精確率和召回率是在交并比(intersection-over-union，IoU)閾值設(shè)為0.5、分類得分閾值設(shè)為0.2的情況下計算的。這些指標(biāo)值越高，說明算法檢測性能越好。此外，利用單幅圖像的平均訓(xùn)練與測試時間衡量算法的運行速度。

3.2 實驗結(jié)果

3.2.1 網(wǎng)絡(luò)參數(shù)設(shè)置對檢測結(jié)果的影響

實驗采用兩組參數(shù)設(shè)置在SSD模型上進行。一組為SSD原始參數(shù)，錨框采用SSD模型中的6層特征，如表 1所示；另一組為使用本文提出的基于聚類的數(shù)據(jù)集目標(biāo)特性學(xué)習(xí)方法為指導(dǎo)的網(wǎng)絡(luò)參數(shù)，錨框采用LSSD模型中的4層特征，如表 2所示。

表 1?采用SSD模型中6層特征的錨框參數(shù)
Table 1?Anchor settings of SSD in the 6 feature layers

表 2?采用LSSD模型中4層特征的錨框參數(shù)
Table 2?Anchor settings of LSSD in the 4 feature layers

兩組實驗除錨框設(shè)置不同外，其余實驗條件均相同，實驗結(jié)果如表 3所示?？梢钥闯?，錨框的參數(shù)設(shè)置對檢測結(jié)果有很大影響。在其他條件不變的前提下，適合檢測數(shù)據(jù)集的網(wǎng)絡(luò)參數(shù)設(shè)置對挖掘模型的性能潛力非常重要。本文方法不受人為經(jīng)驗影響，完全基于數(shù)據(jù)集特性優(yōu)化網(wǎng)絡(luò)參數(shù)設(shè)置。

表 3?SSD模型采用不同錨框參數(shù)的檢測結(jié)果
Table 3?Detection results of SSD with different anchors parameters?

3.2.2 模型簡化實驗

通過模型簡化實驗的方法驗證所提輕量化設(shè)置、雙向特征融合模塊對檢測結(jié)果的影響。將采用LSSD模型中4層特征的錨框參數(shù)設(shè)置的SSD模型作為比較的基準模型，與LSSD模型、結(jié)合了語義聚合的LSSD模型、結(jié)合了注意力引導(dǎo)融合的LSSD模型以及結(jié)合了雙向特征融合方法的LSSD模型分別進行性能指標(biāo)與速度指標(biāo)的對比，結(jié)果如表 4所示?？梢钥闯?，與SSD模型相比，本文提出的LSSD模型在速度方面具有顯著優(yōu)勢，測試時間僅為SSD模型的65%，而檢測精度與SSD模型基本一致。語義聚合和注意力引導(dǎo)特征融合都可以提高檢測的精度，而在訓(xùn)練和測試中，只增加了很少的時間。兩個模塊的組合在精度方面實現(xiàn)了最佳性能，平均精確率與SSD相比提高了2.1%。

表 4?模型簡化實驗結(jié)果
Table 4?The testing results in ablation study

為進一步展示這些模型的檢測結(jié)果，圖 4給出了部分典型檢測結(jié)果樣例?？梢钥闯?，結(jié)合了雙向特征融合模塊的模型在提升召回率、減少虛警率等方面表現(xiàn)最佳，說明本文的融合方法是一種有效的特征優(yōu)化方法。

圖 4?不同方法部分檢測結(jié)果樣例圖

Fig. 4?Some samples of detecting results using different methods((a) ground truths; (b) SSD; (c) LSSD; (d) LSSD with semantic aggregation module; (e) LSSD with attention fusion module; (f) LSSD with bi-directional fusion module)

3.2.3 與其他方法對比

為進一步驗證本文方法的有效性與實用性，與Faster RCNN(Ren等，2017)、基于卷積神經(jīng)網(wǎng)絡(luò)的檢測模型(CNN-based model)(李健偉等，2018)、基于生成對抗網(wǎng)絡(luò)(generative adversarial network，GAN)和線上難例挖掘(online hard example mining，OHEM)的檢測模型(李健偉等，2019)以及密集連接的端到端檢測網(wǎng)絡(luò)(densely connected end-to-end neural network)(Jiao等，2018)等模型進行對比實驗，以上對比模型依次稱為模型1、模型2、模型3、模型4，結(jié)果如表 5所示。

表 5?本文方法與其他艦船檢測方法對比結(jié)果
Table 5?Detection results of different models for comparison

模型2和模型4都是基于Faster RCNN模型提出的，與Faster RCNN模型相比，它們提高了檢測精度，同時也增加了平均訓(xùn)練和測試的時間。但是，與本文的單階段檢測方法相比，F(xiàn)aster RCNN在訓(xùn)練精度上并沒有表現(xiàn)出太大優(yōu)勢，原因可能由于Faster RCNN系列結(jié)構(gòu)更復(fù)雜，像SSDD這樣的小型檢測數(shù)據(jù)集無法很好地對其進行訓(xùn)練。模型3利用生成對抗網(wǎng)絡(luò)和在線難例挖掘技術(shù)來擴大訓(xùn)練中的數(shù)據(jù)，并基于RCNN方法進行檢測，不僅速度慢，而且精度也是幾種方法中最低的。而本文方法在召回率和檢測精度等方面都實現(xiàn)了最佳性能，并且在速度方面具有明顯優(yōu)勢，反映出本文方法的有效性與實用性。

4 結(jié)論

本文主要研究SAR圖像艦船目標(biāo)檢測，著重解決了檢測中速度與精度的平衡問題。為了提高算法的處理速度，設(shè)計了輕量化的LSSD模型，與SSD模型相比，需訓(xùn)練的參數(shù)大幅減少，模型可從頭開始訓(xùn)練而不必依賴預(yù)訓(xùn)練模型。為了提高模型檢測的精度，提出了一種用于參數(shù)設(shè)置的基于聚類的目標(biāo)分布特性學(xué)習(xí)算法，并采用語義聚合塊和新的注意力引導(dǎo)融合塊的雙向特征融合模塊來優(yōu)化檢測特征，改進了傳統(tǒng)方法中單向特征融合不能優(yōu)化高層特征的不足。利用公開的SSDD數(shù)據(jù)集驗證了所提各模塊的效果，結(jié)果表明，所提模型在速度和精度方面均表現(xiàn)出良好性能，與基準模型以及其他經(jīng)典檢測算法相比，訓(xùn)練和測試速度均有明顯提升，檢測精度也高于其他檢測算法，從檢測結(jié)果圖中也可以看出，所提模型有效降低了目標(biāo)漏檢情況。

然而，盡管本文模型較其他檢測模型表現(xiàn)出更好的速度和精度性能，但測試中仍存在一些失敗案例，如無法較好地檢測密集排列的艦船目標(biāo)，這也是實驗中各檢測模型存在的普遍問題。其原因主要在于包括本文模型在內(nèi)的這些模型都采用了垂直矩形邊框作為目標(biāo)邊界框?qū)嵤z測，而相鄰的密集排列艦船目標(biāo)的檢測框存在大量重疊區(qū)域，容易被模型自動合并、刪減，造成檢測框位置不準確甚至漏檢。而采用目標(biāo)最小外接傾斜矩形框作為目標(biāo)邊界檢測框可以有效避免這類問題。因此，在今后工作中，將繼續(xù)研究基于目標(biāo)傾斜邊界框的檢測算法，提高檢測效果。此外，本文模型沒有利用SAR圖像的極化信息。如何利用SAR圖像的極化信息提升檢測性能也是接下來一個有意義的研究重點。

【轉(zhuǎn)載聲明】轉(zhuǎn)載目的在于傳遞更多信息。如涉及作品版權(quán)和其它問題，請在30日內(nèi)與本號聯(lián)系，我們將在第一時間刪除！

關(guān)注微信公眾號：人工智能技術(shù)與咨詢。了解更多咨詢！

編輯：fqj