船舶图像细粒度检测是高分辨遥感图像分析的难题，受船舶尺寸、陆地背景、光照、风浪等因素影响，易降低图像检测的准确性。为克服船舶目标识别的影响因素，针对不同类型和型号的船舶目标检测建起特征提取算法模型，提升最终的识别精度。本文提出一种基于深度学习的船舶图像细粒度检测方法，将深度学习算法应用到高分辨率遥感图像中，借助算法训练得出像素级的识别信息，实现对各类型信息的优化处理，最终生成具备辅助分类子网络功能的优化模型，提升细粒度识别精确度。
Fine-grained detection of ship images is a difficult problem in high-resolution remote sensing image analysis. It is affected by factors such as ship size, land background, illumination, wind and waves, which can easily reduce the accuracy of image detection. In order to overcome the influencing factors of ship target recognition, a feature extraction algorithm model should be established for different types and types of ship target detection to improve the final recognition accuracy. This paper proposes a fine-grained detection method of ship images based on deep learning. The deep learning algorithm is applied to high-resolution remote sensing images, and the pixel-level identification information is obtained with the help of algorithm training, and the optimization of various types of information is realized. The optimization model with the function of auxiliary classification sub-network improves the accuracy of fine-grained recognition.
2022,44(5): 114-117 收稿日期：2021-11-14
DOI：10.3404/j.issn.1672-7649.2022.05.023
分类号：TP311
基金项目：国家青年科学基金资助项目（61703149）
作者简介：申浩(1981?)，男，硕士，讲师，主要研究方向为数字测图
参考文献：
[1] 梁月翔, 冯辉, 徐海祥. 基于YOLOv3-tiny的船舶可见光图像细粒度检测[J]. 武汉理工大学学报:交通科学与工程版, 2020(6): 1041-1045,1051
[2] 徐芳, 刘晶红, 王宣. 等. 感图像海面船舶目标检测技术进展[J]. 光学精密工程, 2021(4): 916-931
[3] 黄明晶, 王雪梅, 马蒙蒙. 基于海天线提取和混合灰度差的船舶检测方法[J]. 红外, 2021(6): 29-33
[4] 睢丹 陈卫军. 船舶视觉图像优化检测方法研究[J]. 舰船科学技术, 2015(8): 157-160
[5] 魏宏昌, 王志娟. 基于图像分割的船舶吃水深度检测方法[J]. 舰船科学技术, 2019(18): 31-33
[6] 彭将辉, 冉鑫. 基于图像处理的船舶吃水线检测方法[J]. 中国水运:下半月, 2012(6): 66-67
[7] 闫成章, 刘畅. 基于显著性的SAR图像船舶目标检测方法[J]. 中国科学院大学学报, 2019(3): 401-409
[8] 张程, 张红, 王超. 基于PCDM香农熵的全极化SAR图像船舶目标检测方法[J]. 遥感技术与应用, 2018(3): 499-507
[9] 董众, 林宝军, 申利民. 一种基于图像显著性的离岸船舶目标检测效率优化方法[J]. 燕山大学学报, 2020(4): 418-424
[10] 周雪珂, 刘畅, 周滨. 多尺度特征融合与特征通道关系校准的SAR图像船舶检测[J]. 雷达学报, 2021(4): 531-543
