基于卷积神经网络的光学遥感图像船舶检测算法研究.pdf

哈尔滨工业大学硕士学位论文

摘要

光学遥感图像成像技术与船舶目标检测技术结合，能够实现远距离、大范

围水域的船舶识别与定位，可以应用于港口船舶数量统计和监测海上国界线附

近敌军船只是否越界等众多军民领域的任务中，有着重要的工程价值。本文针

对光学遥感船舶目标检测进行了研究，并提出了两种不同类型的遥感船舶检测

算法来更好地完成遥感船舶检测任务，主要研究工作如下：

针对数据样本不同类别间数量差异过大的问题，对本文实验所使用的

HRSC2016和FAIR1M数据集，采用了色调变换、高斯模糊、随机翻转旋转等

数据增强策略，使得不同类别目标数量达到一定的均衡，并且减弱了模型对于

图像的敏感度，提高了模型鲁棒性和减小过拟合的风险。

针对目前光学遥感船舶检测算法不能同时很好的兼顾检测速率与精度的问

题，本文提出了一阶段anchor-free类型的BBAV-ACPP网络。该网络通过回归

框边界感知向量避免回归旋转框角度而产生的边界突变问题；引入能够捕获方

向感知和位置敏感信息的CoordinateAttention注意力机制来帮助模型更好地定

位船舶目标中心点；热力图内核表示形式采用2DTricubekernel，引入角度信息，

提高网络检测不同朝向和方向船舶目标的鲁棒性。实验结果表明，网络能够在

光学遥感船舶检测任务中，兼顾检测速率与检测精度并且有良好的泛化能力。

为了确保光学遥感船舶检测算法的检测精度，实现高精度检测。本文提出

了两阶段anchor-based类型的PreciseOrientedR-CNN网络模型。模型采用FPN

结构引入多尺度信息。针对FPN对于不同船舶目标进行特征层分配的不合理性，

本文提出了一种船舶目标FPN特征层分配算法，进一步提升模型对于遥感船舶

检测的精度，降低了漏检率。并且还通过高性能的训练策略，增强了主干网络

的特征提取能力，再进一步提升了模型的检测精度。实验结果表明，在光学遥

感船舶检测任务中，PreciseOrientedR-CNN网络能达到较高的精度，并且具有

良好的泛化能力。

最后，与最新提出的较为优秀的检测网络在HRSC2016数据集上的检测结

果进行对比。结果表明，本文所提出的BBAV-ACPP网络能够有较快检测速率

的同时兼顾检测精度、PreciseOrientedR-CNN网络具有最高的检测精度。

关键词：船舶检测；光学遥感图像；卷积神经网络；注意力机制；热力图内核

-I-

哈尔滨工业大学硕士学位论文

Abstract

Thecombinationofopticalremotesensingimagingtechnologyandship

detectiontechnologycanrecognizeandlocateshipsfromalongdistanceandina

largeareaofwater.Itcanbeappliedtomanytasksinmilitaryandcivilianfields,such

ascountingthenumberofshipsinportsandmonitoringwhethertheenemyships

havecrossedthemaritimeboundary.Thus,ithasimportantengineeringvalue.This

paperstudiesopticalremotesensingshipdetection,andproposestwodifferenttypes

ofremotesensingshipdetectionalgorithmstocompletetheremotesensingship

detectiontasks.Themainresearchco