刘泽宇1,,
郭炜炜2,,,
张增辉1,,
郁文贤1,
①.上海交通大学电子信息与电气工程学院 ??上海 ??200240
②.同济大学同济–MIT城市科学国际联合实验室 ??上海 ??200243
基金项目:国家自然科学基金(61331015, U1830103)
详细信息
作者简介:陈慧元(1994–)，女，内蒙古呼和浩特人，硕士，于2017年获南京理工大学学士学位，2017年9月至今，在上海交通大学电子信息与电气工程学院攻读硕士研究生。研究方向为基于深度学习的遥感图像目标检测。E-mail: chen940403@sjtu.edu.cn
刘泽宇(1993–)，男，黑龙江哈尔滨人，博士，于2014年获上海交通大学学士学位，2014年9月至今，在上海交通大学电子信息与电气工程学院攻读博士研究生。研究方向为雷达图像解译、数据挖掘。E-mail: ribosomal@sjtu.edu.cn
郭炜炜(1983–)，男，江苏南通人，博士，分别于2005, 2007, 2014年获得国防科技大学信息工程，信息与通信专业学士、硕士和博士学位。2008年—2010年在英国Queen Mary, University of London联合培养，2014年12月至2018年6月在上海交通大学电子信息与电气工程学院从事博士后研究工作，2018年12月至今为同济大学设计创意学院助理教授。研究方向为遥感图像理解、模式识别与机器学习、人机交互等。E-mail: weiweiguo@tongji.edu.cn
张增辉(1980–)，男，山东金乡人，博士，分别于2001年、2003年和2008年在国防科技大学获得应用数学、计算数学、信息与通信工程专业学士、硕士和博士学位。2008年6月至2013年7月，为国防科技大学数学与系统科学系讲师；2014年2月至今，为上海交通大学电子信息与电气工程学院副研究员。研究方向为SAR图像解译、雷达信号处理等。E-mail: zenghui.zhang@sjtu.edu.cn
郁文贤(1964–)，男，上海松江人，博士，教授，博士生导师，上海交通大学讲席教授，教育部********，上海市领军人才。现为上海交通大学信息技术与电气工程研究院院长，北斗导航与位置服务上海市重点实验室主任，智能探测与识别上海市高校重点实验室主任。研究方向为遥感信息处理、多源融合导航定位、目标检测识别等。E-mail: wxyu@sjtu.edu.cn
通讯作者:郭炜炜 weiweiguo@tongji.edu.cn
中图分类号:TP183; TP751计量
文章访问数:5032
HTML全文浏览量:1066
PDF下载量:464
被引次数:0
出版历程
收稿日期:2019-03-11
修回日期:2019-06-10
网络出版日期:2019-06-21
Fast Detection of Ship Targets for Large-scale Remote Sensing Image Based on a Cascade Convolutional Neural Network
CHEN Huiyuan1,,LIU Zeyu1,,
GUO Weiwei2,,,
ZHANG Zenghui1,,
YU Wenxian1,
①. School of Electronic Information and Electrical Engineering, Shanghai Jiaotong University, Shanghai 200240, China
②. Tongji-MIT City Science International Co-laboratory, Shanghai 200243,China
Funds:The National Natural Science Foundation of China (61331015, U1830103)
More Information
Corresponding author:GUO Weiwei, weiweiguo@tongji.edu.cn
摘要
摘要:针对大场景遥感图像舰船目标的快速检测问题，该文设计了一种级联型卷积神经网络检测框架。该检测框架由目标预筛选全卷积网络(P-FCN)和目标精确检测全卷积网络(D-FCN)两个全卷积网络级联而成。P-FCN是一个轻量级的图像分类网络，负责对大场景图像中可能的舰船区域进行快速预筛选，其层数少、训练简单，候选框冗余较少，能够减少后续网络的计算负担；D-FCN是一个改进的U-Net网络，通过在传统U-Net结构中加入目标掩膜和舰船朝向估计层以进行多任务的学习，实现任意朝向舰船目标的精细定位。该文分别使用TerraSAR-X雷达遥感图像和从91卫图、DOTA数据集中获得的光学遥感图像对算法进行了测试，结果表明该方法的检测准确率分别为0.928和0.926，与传统滑窗法相当，但目标检测时间仅为滑窗法的1/3左右。该文所提的级联型卷积神经网络检测框架在保持检测精度的前提下能显著提高目标检测效率，可实现大场景遥感图像中舰船目标的快速检测。
关键词:舰船目标检测/
深度学习/
全卷积网络/
大场景遥感图像/
快速检测
Abstract:For the fast detection of ships in large-scale remote sensing images, a cascade convolutional neural network is proposed, which is a cascade combination of two Fully Convolutional Neural networks (FCNs), the target FCN?for Prescreening (P-FCN), and the target FCN?for?Detection (D-FCN). The P-FCN is a lightweight image classification network that is responsible for the rapid pre-screening of possible ship areas in large-scale images. The region proposals generated by the P-FCN have less redundancy, which can reduce the computational burden of the D-FCN. The D-FCN is an improved U-Net that can accurately detect arbitrary-oriented ships by adding target masks and ship orientation estimation layers to the traditional U-Net structure for multitask learning. In our experiment, TerraSAR-X remote sensing images and the optical remote sensing images obtained from the 91 satellite map software and the DOTA dataset were used to test the network. The results show that the detection accuracy of our method was 0.928 and 0.926 for synthetic aperture radar images and optical images, respectively, which were close to the performance of the traditional sliding window method. However, the running time of the proposed method was only about 1/3 of that of the sliding window method. Therefore, the cascade convolutional neural network can significantly improve the target detection efficiency while maintaining the detection accuracy and can realize the rapid detection of ship targets in large-scale remote sensing images.
Key words:Ship detection/
Deep learning/
Fully Convolutional Neural network(FCN)/
Large scale remote sensing image/
Fast detection
PDF全文下载地址:
https://plugin.sowise.cn/viewpdf/198_352ed04a-4db6-40c9-92b1-29ad9679f00b_R19041
