基于多任务学习的近岸舰船检测方法

doi:10.3969/j.issn.1006-2475.2024.03.005

计算机与现代化 ›› 2024, Vol. 0 ›› Issue (03): 29-33.doi: 10.3969/j.issn.1006-2475.2024.03.005

基于多任务学习的近岸舰船检测方法

（1.中国科学院空天信息创新研究院，北京 100190; 2.中国科学院大学电子电气与通信工程学院，北京 100049；
3.中国科学院网络信息体系技术重点实验室，北京 100190）

出版日期:2024-03-28 发布日期:2024-04-28
作者简介:刘馨嫔（1999—），女，湖南邵阳人，硕士研究生，研究方向：信号与信息处理，E-mail: xinpinliu@126.com；通信作者：王洪（1975—），男，副研究员，硕士生导师，博士，研究方向:地理空间大数据挖掘，E-mail: wanghong@aircas.ac.cn；赵良瑾（1992—），男，助理研究员，研究方向:遥感图像检测识别，E-mail: zhaolj004896@aircas.ac.cn。
基金资助:
国家自然科学基金资助项目（62201550）

Inshore Warship Detection Method Based on Multi-task Learning

（1. Aerospace Information Research Institute， Chinese Academy of Science， Beijing 100190， China；
2. School of Electronic， Electrical and Communication Engineering， University of Chinese Academy of Sciences， Beijing 100049， China；
3. Key Laboratory of Network Information System Technology， Chinese Academy of Sciences， Beijing 100190， China）

Online:2024-03-28 Published:2024-04-28

摘要/Abstract

摘要：
摘要：在遥感光学图像近岸舰船目标检测任务中，针对近岸复杂场景中存在形状近似目标的虚警问题，提出一种基于多任务学习的近岸舰船目标检测方法。该方法通过构建海陆分割任务与舰船检测任务并行双路框架，将传统的任务串行处理流程优化为并行处理方式，设计联合损失函数进行双路优化训练约束，提升模型训练的稳定性，通过双分支融合模块剔除陆地掩膜中的检测结果，实现陆地虚警滤除。采用谷歌地球遥感图像制作的数据集进行实验，将本文提出的方法与单任务检测算法YOLOv5相比，mAP提升了4.4个百分点，虚警率降低了3.4个百分点。实验结果表明本文算法对陆地虚警抑制有效。

关键词: 关键词：舰船检测, 海陆分割, 多任务学习, 损失函数

Abstract: Abstract: In the task of inshore warship detection in remote sensing optical images， this paper proposes an inshore warship detection method based on multi-task learning for the false alarms problem of similar features in complex scenes. By constructing a parallel dual-branch task framework for the sea-land segmentation mission and the warship detection mission， this method optimizes the traditional task of serial processing into parallel processing mode. Secondly， we propose a joint loss constraint for dual path optimum training， which improves the stability of model training. Finally， the dataset made by Google Earth remote sensing images is used for experiments. The detection results in land mask are eliminated by the dual-branch fusion model， and the land false alarm filter is realized. Compared with the single task detection algorithm YOLOv5， the mAP of the proposed method increased by 4.4 percentage points and the false alarm rate decreased by 3.4 percentage points. The experimental results show that the proposed algorithm is effective in suppressing false alarm on land.

Key words: Key words: warship detection, sea-land segmentation, multi-task learning, loss function

中图分类号:

TP391

刘馨嫔1, 2, 3, 王洪1, 3, 赵良瑾1, 3. 基于多任务学习的近岸舰船检测方法[J]. 计算机与现代化, 2024, 0(03): 29-33.

LIU Xin-pin1, 2, 3, WANG Hong1, 3, ZHAO Liang-jin1, 3. Inshore Warship Detection Method Based on Multi-task Learning[J]. Computer and Modernization, 2024, 0(03): 29-33.

参考文献

［1］岳邦铮，韩松. 基于改进Faster R-CNN的SAR船舶目标检测方法［J］. 计算机与现代化， 2019（9）:90-95.
［2］赵玉蓉，郭会明，焦函，等. 融合混合域注意力的YOLOv4在船舶检测中的应用［J］. 计算机与现代化， 2021（9）:75-82.
［3］王长军，彭成，李勇. 复杂环境下的多特征融合船舶目标检测算法［J］. 计算机与现代化， 2022（11）:81-88.
［4］孙显，王智睿，孙元睿，等. AIR-SARShip-1.0：高分辨率SAR舰船检测数据集［J］. 雷达学报， 2019，8（6）:852-862.
［5］王岳环，秦小娟，韦海萍，等. 基于港口匹配和海域分割的靠岸舰船检测方法［J］. 华中科技大学学报（自然科学版）， 2017，45（10）:95-99.
［6］王彦情，马雷，田原. 光学遥感图像舰船目标检测与识别综述［J］. 自动化学报， 2011，37（9）:1029-1039.
［7］唐沐恩，林挺强，文贡坚. 遥感图像中舰船检测方法综述［J］. 计算机应用研究， 2011，28（1）:29-36.
［8］ KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM， 2017，60（6）:84-90.
［9］ GIRSHICK R. Fast R-CNN［C］// Proceedings of the IEEE International Conference on Computer Vision. 2015:1440-1448.
［10］ REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN: Towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2017，39（6）:1137-1149.
［11］ CAI Z W， VASCONCELOS N. Cascade R-CNN: Delving into high quality object detection［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018:6154-6162.
［12］ HE K M， GKIOXARI G， DOLLAR P， et al. Mask R-CNN［C］// Proceedings of the IEEE International Conference on Computer Vision. 2017:2961-2969.
［13］ REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once: Unified， real-time object detection［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016:779-788.
［14］ REDMON J， FARHADI A. YOLO9000: Better， faster， stronger［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017:7263-7271.
［15］ REDMON J， FARHADI A. YOLOv3: An incremental improvement［J］. arXiv preprint arXiv:1804.02767，2018.
［16］ BOCHKOVSKIY A， WANG C Y， LIAO H M. YOLOv4: Optimal speed and accuracy of object detection ［J］. arXiv preprint arXiv:2004.10934，2020.
［17］ LIU W， ANGUELOV D， ERHAN D， et al. SSD: Single shot multibox detector［C］// Proceedings of the IEEE European Conference on Computer Vision. 2016:21-37.
［18］ LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection［J］. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2017:2999-3007.
［19］ LONG J， SHELHAMER E， DARRELL T. Fully convolutional networks for semantic segmentation［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015:3431-3440.
［20］ CHEN L C， HERMANS A， PAPANDREOU G， et al. Masklab: instance segmentation by refining object detection with semantic and direction features［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018:4013-4022.
［21］ LIU S， QI L， QIN H F， et al. Path aggregation network for instance segmentation［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018:8759-8768.
［22］ CHEN K， PANG J M， WANG J Q， et al. Hybrid task cascade for instance segmentation［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2019:4974-4983.
［23］张冬冬，王春平，付强. 基于改进YOLOv4-tiny的舰船关重部位检测算法［J］. 无线电工程， 2023，5（3）:628-635.
［24］宋志娜，李莎，杨建明，等. 基于特征和区域定位增强的遥感舰船目标检测［J］. 计算机工程， 2023（8）:257-264.
［25］ WANG M H， LI Q P， et al. SCAF-Net: Scene context attention-based fusion network for vehicle detection in aerial imagery［J］. IEEE Geoscience and Remote Sensing Letters， 2022，19:1-5.
［26］ TAO C， LI M， LI Y S， et al. Scene context-driven vehicle detection in high-resolution aerial images［J］. IEEE Transactions on Geoscience and Remote Sensing， 2019，57（10）:7339-7351.
［27］ WEI H R， ZHANG Y， SUN X， et al. Oriented objects as pairs of middle lines［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2020，169（10）:268-279.

[1]	陈凯1, 李宜汀1, 2, 全华凤1 . 基于改进YOLOv8的河道废弃瓶检测方法[J]. 计算机与现代化, 2024, 0(11): 113-120.
[2]	杜菲瑀, 王海燕, 姚海洋, 陈晓. 基于领域自适应的水下图像增强算法[J]. 计算机与现代化, 2024, 0(10): 55-60.
[3]	钟海龙1, 2, 何月顺1, 何璘琳1, 陈杰1, 田鸣3, 郑瑞银4. 基于代价敏感卷积神经网络的加密流量分类#br# #br#[J]. 计算机与现代化, 2024, 0(05): 55-60.
[4]	于鹏, 陈钰枫, 徐金安, 张玉洁. 基于多任务学习的电子病历实体识别方法[J]. 计算机与现代化, 2022, 0(09): 40-50.
[5]	张文. 类别不平衡的多任务人脸属性识别[J]. 计算机与现代化, 2018, 0(06): 58-.

基于多任务学习的近岸舰船检测方法

Inshore Warship Detection Method Based on Multi-task Learning

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 5

编辑推荐

Metrics

本文评价