基于深度学习的卫星图像船只目标检测算法研究

作     者：王颖 

作者单位：北京邮电大学 

学位级别：硕士

导师姓名：程渤

授予年度：2019年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：卷积神经网络 Faster R-CNN 对抗生成网络 船只目标检测 

摘      要：船只不仅在军事领域上是参与作战的重要目标,在民用领域上也是不可或缺的运输工具,因此,根据卫星图像获取到船只的精准定位具有战略性的意义。由于卫星成像的特性,决定了卫星图像中的目标分辨率低,特征不明显,因此对卫星图像上的小尺寸船只目标进行精确检测十分具有挑战。目前常见的船只检测技术大多基于传统检测算法,主要使用的还是手工设置的浅层特征,但在特征不明显,场景复杂的情况下对目标的检测性能不佳。随着以卷积神经网络技术为代表的深度学习技术的发展,算法可以自主从数据中学习目标的特征,使得目标检测算法的检测性能大大提高,因此使用深度学习实现卫星图像船只目标的智能检测算法具有十分重要的意义。首先,针对卫星图中船只的标注样本非常有限的情况,本文提出一种新型的对抗性生成网络TBGAN,对原有样本进行样本扩充。该方法不同于普通的对抗性生成网络,不仅可以在任意指定位置生成目标,并且可以使得目标所在位置背景与原图内容高度融合,从而实现可以生成多种不同场景下的目标数据集。其次,针对传统的卫星图船只检测算法复杂度高、实时性差的问题,本文以Faster R-CNN算法为基础,从锚框设计、候选区域生成网络提速、损失函数公式、基础网络性能四个方面对原算法进行了针对性改进,并提出一种全连接式的特征金字塔网络结构,通过在各层特征图之间加入密集连接,对网络不同等级的特征图进行特征融合,实现了基于Faster R-CNN的卫星图像船只目标检测算法。相对于原始算法,改进后的检测算法对卫星图中小目标的检测精确率提高了36.2%。最后,本文实现卫星图像中船只目标的端到端检测。该流程首先加入了一个基于图像分类的辅助决策网络,用于减少检测算法中的误检;然后基于深度可分离卷积的模型加速方案,在保证检测准确性的前提下提升检测速度;最后将上述两个模块与Faster R-CNN模型进行了端到端的整合,进一步简化整个算法过程中的计算量和参数量,并使得最终算法相对原始算法检测精度提高了42.4%,运行耗时降低了72.4%。