[发明专利]基于可变形快速卷积神经网络的舰船检测方法

说明书

基于可变形快速卷积神经网络的舰船检测方法，涉及图像处理。检测方法包括模型训练阶段和舰船检测阶段。可用于民用领域，代替人工实时地对特定港口、港湾、海域对船只进行分类检测，可用于视频监控或图像中的船只检测，也可以对军事港口进行船只检测监控，能及早发现军事情报，为我方军事指挥提供作战依据，掌握战场主动权。通过对兼顾速度和准确度的端到端方法Faster R‑CNN的改进，根据舰船目标的特有性质，对Faster R‑CNN基础网络、RoI‑wise子网络和损失函数进行修改，得到可变形快速卷积神经网络的检测网络的模型结构，实验结果显示，比原Faster R‑CNN方法具有更好的检测速度和精度。

技术领域

本发明涉及图像处理，尤其是涉及基于可变形快速卷积神经网络的舰船检测方法。

背景技术

海面舰船目标检测属于通用目标检测的特殊场景，是从复杂的海岸及海洋背景中找到目标并对目标进行定位的过程，具有十分广泛的应用前景和使用价值。

近年来，针对光学图像的舰船目标检测算法研究，国内外许多学者已经做了大量的工作。大致可以分为基于分类学习、特征判别、霍夫投票等检测算法。但该类方法通常对光照变化、拍摄角度、边缘噪声等比较敏感，容易造成虚警，算法鲁棒性不强。

深度学习是当前主流的机器学习方法之一，在计算机视觉领域取得了巨大的成功，但深度学习应用在舰船检测方面的算法的研究较少。

卷积神经网络相关的检测算法系列有：R-CNN^[4]、Fast R-CNN^[5]、Faster R-CNN^[7]等，它们都是理论与实践相结合的经典方法。首先是R-CNN，是深度学习用于目标检测的开山之作，其算法的核心思想是首先使用选择性搜索(Selective Search)算法提取候选区域，而后对每一个候选区域对应的图像块分别使用卷积神经网络(AlexNet)提取相应的特征，最后接上一个分类器对该区域是否包含目标进行分类预测。但R-CNN方法的检测速度却被广为诟病，其主要原因是对所有的候选区域进行特征提取时存在大量的重复计算。FastR-CNN是对R-CNN的改进，其提出了一种叫感兴趣区域池化(RoI pooling)的算法来解决上述问题。感兴趣区域池化可以把不同尺寸大小的感兴趣区域池化成一个固定大小的特征图，从而极大地提升了Fast R-CNN的检测效率。在Fast R-CNN之后的问题就是如何把感兴趣候选区域生成部分也放入GPU计算，于是Faster R-CNN提出了区域生成网络(RegionProposal Network，RPN)用来生成候选区域，使得R-CNN系列的检测速度得到了极大的提升，并且是一个端到端的目标检测系统。

上述这些方法虽然能够有效地检测出视频或图像中的大部分的舰船，但是在速度、准确度以及尺寸较小的目标的检测上仍有比较大的提升空间。

参考文献：

[1]Dai J,Qi H,Xiong Y,et al.Deformable convolutional networks[J].CoRR,abs/1703.06211,2017,1(2):3.

[2]Lin T,Goyal P,Girshick R,et al.Focal loss for dense objectdetection[J].arXiv preprint arXiv:1708.02002,2017.

[3]He K,Zhang X,Ren S,et al.Deep residual learning for imagerecognition:Proceedings of the IEEE conference on computer vision and patternrecognition,2016[C].

[4]Girshick R.Fast R-CNN:IEEE International Conference on ComputerVision,2015[C].