[發明專利]一種基于深度學習多任務端到端的遙感圖像船舶旋轉目標檢測方法

在審

• 申請號: 202011227401.2
• 申請日: 2020-11-06
• 公開（公告）號: CN112508848A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 俞旭輝;潘鳴;侯麗偉;謝巍;周德亮;袁毅;孫義興
• 申請（專利權）人: 上海亨臨光電科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 蘇州國誠專利代理有限公司 32293
• 代理人: 王麗

本發明公開了一種基于深度學習多任務端到端的遙感圖像船舶旋轉目標檢測方法，該方法首先提出了Ship Angle Dota數據集(下文用SAD數據集表示)以及由遙感圖像分類網絡(Remote sensing image classification network，下文用RSICN表示)和船舶目標檢測網絡(Ship object detection network，下文用SODN表示)組成的目標檢測模型。SAD數據集標注了船舶的中心坐標，長寬以及旋轉角度。RSICN與SODN共享基礎卷積層，在此卷積層之后引出RSICN支路，并采用通道注意力機制。RSICN將輸入的遙感圖像分類過濾，SODN以DLA34為主干網同時預測船舶中心坐標，長寬和旋轉角度。本發明在實驗部分對遙感圖像中船舶進行多目標檢測，相比傳統方法和其它單階段目標檢測網絡的召回率與查準率更高，同時相比兩階段目標檢測網絡的檢測效率有較大提升。

技術領域

本發明屬于計算機視覺目標檢測領域，具體涉及一種基于多任務端到端的深度學習方法，特別涉及基于深度學習多任務端到端的遙感圖像船舶旋轉目標檢測方法。

背景技術

遙感圖像船舶目標檢測屬于遙感衛星圖像目標檢測領域中的熱點研究方向。如在商業港口的貨船動態監管，軍事港口的艦船目標動向以及海域航道中船舶的搜救這些領域中具有極其重要的應用價值。但遙感圖像超大的尺寸，目標密集，干擾因素眾多，如何提高遙感圖像船舶目標檢測的效率和準確率方面還有非常大的挑戰。

遙感圖像船舶目標檢測方法主要分為傳統目標檢測與基于深度學習的目標檢測兩大類。傳統的目標檢測方法一般分為三個階段：首先在給定的圖像上選擇一些候選的區域，然后對這些區域進行特征提取的操作，最后使用預先訓練好的分類器進行分類。傳統目標檢測需要手工設計特征，對于遙感圖像中多樣性的變化并沒有很好的魯棒性，而且滑動窗口式的區域選擇方式造成大量的計算冗余，效率低下。基于深度學習的目標檢測方法將遙感圖像輸入卷積神經網絡，卷積神經網絡自動提取圖像的特征，并根據提取的特征來預測出目標的信息，整體上提高了檢測的精度和速度。目前基于深度學習的目標檢測算法分為單階段和兩階段兩類目標檢測算法，單階段目標檢測算法直接預測出目標信息，速度快準確度低，兩階段目標檢測算法先通過提出候選區域，在此基礎上在進行目標信息的預測，準確度高速度慢。

綜上所述，傳統目標檢測算法計算成本大并且魯棒性低，基于深度學習的目標檢測算法，無法很好的平衡檢測速度和檢測精度。所以在遙感圖像船舶目標檢測的領域仍有較大的改進空間，一個檢測速度更快同時檢測精度較更高的目標檢測算法是今后研究的目標。

發明內容

本發明的目的是一種基于深度學習多任務端到端的遙感圖像船舶旋轉目標檢測方法，在大尺寸遙感圖像中，存在的各種干擾的情況下，能夠有效地對遙感圖像中的船舶目標進行檢測。

為了實現以上目的，本發明是通過以下技術方案實現的：

一種基于深度學習多任務端到端的遙感圖像船舶旋轉目標檢測方法，其特點是，該方法包含如下步驟：

(1)所述SAD數據集以原OBB標簽格式的Dota數據集為基礎，從中提取出存在船舶的遙感圖像以及圖像對應的OBB標簽，共得到368張遙感圖像和其對應標簽，并對得到的遙感圖像進行重疊式切割，同時標簽文件整理為對應于切割操作后的圖片，切割處理后得到9732張遙感圖像，對切割整理后的OBB格式標簽文件轉化為SAD格式標簽，SAD格式標簽包括目標中心坐標，目標大小和旋轉角度，即得到所述SAD數據集；

(2)所述多任務端到端聯合模型由RSICN和SODN兩個子網絡組成，基于Pytorch深度學習框架搭建的動態計算圖模型。兩個子網絡都建立在DLA34主干網上，并共享DLA34最前端的基礎卷積層，RSICN負責推斷出圖像中是否存在船舶，將推斷結果反饋給SODN，SODN根據反饋結果，將不存在船舶的圖像數據丟棄，只將存在船舶的圖像數據作為自己的輸入，最后由SODN推斷出遙感圖像中船舶的坐標位置，大小和旋轉角度。

所述的步驟(1)詳細步驟如下：