基于改进R^(2) CNN 的遥感图像船舶检测方法研究.pdfVIP

基于改进R?CNN的遥感图像船舶检测方法研究

摘要：为深入研究光学遥感图像中的船舶检测问题，提升检测精度和降低模型复杂度，设计基于改进旋转区域卷

积和神经网络（RotationalRegionConvolutionalNeuralNetworks）,R’CNN的两阶段旋转框检测模型。在模型的第一

阶段使用水平框作为候选区域；在模型第二阶段引入水平框预测分支，并且设计一种间接预测角度的回归模型；在

测试阶段进行旋转框非极大值抑制时，设计基于掩码矩阵的旋转框IoU（IntersectionoverUnion）算法。试验结果显

示：改进RCNN模型在HRSC2016（HighResolutionShipCollection2016）数据集上取得81.0%的平均精确度，相比

其他模型均有不同程度的提升，说明改进R²CNN在简化模型的同时能有效提升使用旋转框检测船舶的性能。

关键词：船舶检测；遥感图像；卷积神经网络；R°CNN模型；旋转框检测；候选区域提取

ShipdetectioninremotesensingimagewithimprovedRCNN

Abstract:Inordertoimprovethedetectionaccuracyoftheshipdetectioninopticalremotesensingimagesandthe

complexityofthedetectionmodel,theR’CNN(RotationalRegionConvolutionalNeuralNetworks)isintroducedtodevelop

atwo-stageshipdetectionmodelwithrotatedanchorbox.Inthefirststage,thedetectionalgorithmgenerateshorizontal

boundaryboxestorepresenttheareascoveringtargetcandidates.Thepredictionbranchesforprocessingthehorizontal

boundaryboxesandaregressionmodelforindirectlypredictingtargetorientationareintroducedforthesecondstage

operationofthemodel.AnIoU(IntersectionoverUnion)algorithmwhichusesmaskmatrixfornon-maximumsuppression

processingofrotatedboundaryboxesisdevelopedandintegratedinthemodel.ThemodelisverifiedwithdatasetHRSC

2016andanaverageprecisionof81.0%isachieved.

Keywords:shipdetection;remotesensingimage;convolutionalneuralnetwork;RCNNmodel;rotatedboundarybox

detection;candidateregionextraction

海上运输承担了国际贸易90%以上的货物运速的船舶监控来获取敌方信息将成为一种重要的情

输量，随着国际贸易的发展，船舶的航行安全保障越报获取方式[]。近年来，遥感图像作为一种新兴的

来越重要。十九大报告提出：“海洋权益和海洋安检测手段得到高速发展，并且逐渐被用于海上船舶

全是国家核心利益，维护海洋权益和海洋安全是建监控。本文主要针对的研究对象是光学遥感图像中

设海洋强国必须坚守的底线”，而海上船舶目标检的船舶。