基于注意力机制和Faster R-CNN深度学习的海洋目标识别模型

作     者：文莉莉 孙苗 邬满 WEN Lili;SUN Miao;WU Man

作者机构：广西壮族自治区药用植物园信息产业办公室广西南宁530023 自然资源部海洋信息技术创新中心天津300171 国家海洋信息中心天津300171 广西壮族自治区海洋研究院广西南宁530022 广西大学电气工程学院广西南宁530004 南宁师范大学北部湾人工智能应技术研究院广西南宁530001 

出 版 物：《大连海洋大学学报》 (Journal of Dalian Ocean University)

年 卷 期：2021年第36卷第5期

页      面：859-865页

核心收录：

学科分类：090803[农学-渔业资源] 0908[农学-水产] 081203[工学-计算机应用技术] 08[工学] 09[农学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：自然资源部海洋信息技术创新中心2019年度开放基金(多源时空数据海洋目标智能提取与行为分析预警) 国家自然科学基金(61763007,61866007) 广西科技重大专项(桂科AA18118025) 科技先锋队“强农富民”“六个一”专项行动2021年度项目(桂农科盟202110) 

主　　题：注意力机制 SENet模型 SKNet模型 区域候选网络 Faster R-CNN模型 目标检测 深度学习 

摘      要：为进一步提升对复杂海洋目标的检测能力,引入自适应尺度的注意力机制,提出一种适应多尺度复杂海洋目标的改进Faster R-CNN模型,该模型通过将卷积网络与SKNet网络相结合,增强模型的特征提取能力与特征有效性,并针对船舶、蚝排、红树林、海岸线4类典型海洋目标,利用91卫图助手与无人机高清影像建立了12000张样本库,分别基于改进的Faster R-CNN模型与原模型进行对比测试试验。结果表明:改进的模型虽然略微增加了计算量,但其特征提取能力与目标检测能力明显强于原模型,整体识别准确率为87.1%;在4类典型海洋目标中,船舶的识别准确率最高,可达94.4%,而红树林由于其特征比较复杂,边界不明显,其整体识别准确率为75.1%。研究表明,引入SKNet网络的Faster R-CNN网络模型,不仅增强了模型对多尺度复杂目标的特征提取能力,更适用于对复杂海洋目标的检测与识别。