船舶作为海上的重要目标，实现对船舶自动识别有重要的意义。针对卫星图像中云雾、海岸背景等复杂海情对船舶识别带来的干扰，以及小目标船舶高漏检率问题，本文提出一种多尺度深度学习模型训练策略，在此基础上构建了一种船舶识别的深度学习网络，该网络可分为多尺度训练、特征提取、生成目标建议区域、船舶分类这4个部分。首先，采用多尺度的训练策略，将多尺度的船舶样本送入网络中进行训练，这样在训练样本中加入了大量小目标船舶的样本，使网络充分提取到小目标船舶的特征；其次，通过卷积神经网络对目标船舶进行特征自适应提取；然后，目标区域建议网络可依据卷积神经网络提取到的特征，在图像中找到感兴趣目标区域，即框定船舶的位置；最后，通过多个全连接层的组合，将高维特征映射到一个4元组中，再运用分类函数输出每一类船舶的概率值，概率值最大的则为该船舶的类别。同时为解决云雾遮挡和海岸背景的干扰，采用了一种负样本增强学习的方法，在样本数据集中加入了大量只含有云雾和海岸背景的图片，进行负样本扩充，增强网络模型对云雾及海岸背景的特征学习能力，以此解决复杂海情的影响。实验结果表明，所提方法有效解决了复杂海情条件下的船舶识别难，以及小目标船舶识别难的问题，实现了复杂海情条件下的船舶识别。同时，与现有成熟的深度学习目标识别算法相比，本文算法的精确度和召回率分别提升了6.98%和18.17%，所训练的模型具有良好的泛化能力和鲁棒性。

PDF全文下载地址:

http://www.ygxb.ac.cn/rc-pub/front/front-article/download?id=902167