1 中国科学院 长春光学精密机械与物理研究所，吉林长春30033
2 中国科学院大学，北京100039
3 中国科学院 天基动态快速光学成像技术重点实验室，吉林长春100
基于深度学习的目标检测算法直接应用于航天光学遥感（Space Optical Remote Sensing，SORS）复杂场景图像中会出现舰船目标检测效果不佳的问题。针对该问题，本文以近海复杂背景的密集排布舰船和远海多干扰中小目标舰船为检测对象，提出一种改进的YOLOX-s（Improved You Only Look Once-s，IM-YOLO-s）算法。在特征提取阶段，引入CA位置注意力模块，分别从高度与宽度两个方向对目标信息的位置进行权重分配，提高了模型的检测精度；在特征融合阶段，将BiFPN加权特征融合算法应用到IM-YOLO-s的颈部结构，进一步提升了小目标船只检测精度；在模型优化训练阶段，以CIoU损失替代IoU损失、以变焦损失替代置信度损失、调整类别损失权重，增大了正样本分布密集区域的训练权重，减少了密集分布船只的漏检率。另外，在HRSC2016数据集的基础上增加额外的离岸中小舰船图像，自建了HRSC2016-Gg数据集，HRSC2016-Gg数据集增强了海上船只及中小像素船只检测时的鲁棒性。通过数据集HRSC2016-Gg评测算法性能，实验结果表明：IM-YOLO-s对于SORS场景舰船检测的召回率为97.18%，AP@0.5为96.77%，F1值为0.95，较原YOLOX-s算法分别提高了2.23%，2.40%和0.01。这充分表明该算法可以对SORS复杂背景图像进行高质量舰船检测。
舰船检测 深度学习 CA注意力模块 加权特征融合 损失函数优化 ship detection deep learning coordinate attention weighted feature fusion loss function optimization
为了降低卷积神经网络计算的复杂度, 改善特征提取过程中的过拟合现象, 解决经典网络模型不能有效处理大尺寸图片的问题, 采用了加权联合降维的特征融合与分类识别算法, 根据两特征的识别贡献率对主成分分析法(PCA)降维处理和随机投影(RP)处理结果进行加权融合, 然后将结果提供给卷积神经网络进行处理,提取图像分类的高层特征, 使用欧氏距离分类器对识别对象进行分类, 并进行了理论分析和实验验证。结果表明, 经过加权联合降维对数据进行预处理, PCA矩阵与RP降维矩阵之比重达到6∶4, 识别率高达96%以上。该算法有效提高了准确率, 使大尺寸图片在深度学习网络中有良好的识别效果, 改善了网络的适应性。
图像处理 分类识别 加权特征融合 识别贡献率 卷积神经网络 image processing classification recognition weighted feature fusion recognition contribution rate convolutional neural network
