基于注意力機(jī)制和Faster R-CNN深度學(xué)習(xí)的海洋目標(biāo)識別模型

文莉莉，孫苗，鄔滿

(1.廣西壯族自治區(qū)藥用植物園 信息產(chǎn)業(yè)辦公室，廣西 南寧 530023；2.自然資源部 海洋信息技術(shù)創(chuàng)新中心，天津 300171；3.國家海洋信息中心，天津 300171；4.廣西壯族自治區(qū)海洋研究院，廣西 南寧 530022；5.廣西大學(xué) 電氣工程學(xué)院，廣西 南寧 530004；6.南寧師范大學(xué) 北部灣人工智能應(yīng)技術(shù)研究院，廣西 南寧 530001)

隨著中國經(jīng)濟(jì)社會的高速發(fā)展，沿海地區(qū)對于海洋資源的開發(fā)力度持續(xù)加大，中國海洋管理面臨著越來越嚴(yán)峻的挑戰(zhàn)，受開發(fā)理念(重開發(fā)輕治理)、開發(fā)方式(粗放式開發(fā)為主)、監(jiān)管困難及利益驅(qū)動等多方面的影響，中國沿海違規(guī)開發(fā)(偷填、超填、閑置)、隨意圍墾、盜采海砂，以及非法挖礦采石、破壞紅樹林等生態(tài)環(huán)境、偷排與傾倒垃圾等行為頻發(fā)，使中國的海洋資源與生態(tài)環(huán)境遭到嚴(yán)重破壞。

目前，常用的海洋監(jiān)管與執(zhí)法方式主要依賴于執(zhí)法船巡邏、群眾舉報、雷達(dá)監(jiān)測，前兩者成本高、效率低，且具有嚴(yán)重的滯后性和較高的漏檢率；后者則建設(shè)、維護(hù)成本巨大，且只能監(jiān)測近岸半徑約20公里區(qū)域。雖然近年來衛(wèi)星遙感與無人機(jī)的廣泛使用促進(jìn)了監(jiān)管手段的升級，但是對海量的影像數(shù)據(jù)進(jìn)行人工審核仍然是一項十分艱巨的工作。因此，采用目標(biāo)檢測方法實現(xiàn)從海量影像數(shù)據(jù)中自動提取海洋目標(biāo)信息，對于建立大范圍、智能、快速的海洋監(jiān)管機(jī)制具有十分重要的意義。

目前，基于人工智能技術(shù)的目標(biāo)檢測技術(shù)已在多個領(lǐng)域得到了較好的應(yīng)用。然而，將人工智能技術(shù)用于海上目標(biāo)檢測方面的研究和應(yīng)用還相對較少。主要原因包括：1)樣本集建立困難，目前尚無公開可用的海上目標(biāo)檢測數(shù)據(jù)集；2)傳統(tǒng)的目標(biāo)檢測方法大多需要人為設(shè)定目標(biāo)的特征，工作量大且難以選取出最優(yōu)特征；3)海洋目標(biāo)圖像場景復(fù)雜，具有多尺度、多樣性、形狀多變等特點，目前常用的圖像特征提取方法，如HOG(histogram of oriented gradient) + SVM(support vector machine)、DPM (deformable parts model)等，對光照、形態(tài)變化、遮擋等魯棒性不強[1]，難以滿足復(fù)雜多變的海洋目標(biāo)檢測需求。近年來，深度學(xué)習(xí)技術(shù)在目標(biāo)檢測領(lǐng)域取得了較大成功，這為實現(xiàn)多尺度的復(fù)雜海洋目標(biāo)檢測提供了一種新的解決方案。

因此，國內(nèi)外學(xué)者開始研究基于深度學(xué)習(xí)模型的海洋目標(biāo)檢測方法，如袁明新等[2]提出一種基于深度學(xué)習(xí)的海上艦船目標(biāo)檢測方法，該方法利用卷積神經(jīng)網(wǎng)絡(luò)、區(qū)域建議網(wǎng)絡(luò)及Fast R-CNN檢測框架構(gòu)建了艦船檢測系統(tǒng)，相比于傳統(tǒng)機(jī)器學(xué)習(xí)目標(biāo)檢測模型，該艦船檢測系統(tǒng)在檢測精度及速率上均有大幅提高。但是，該方法只嘗試了針對艦船這種特別明顯的目標(biāo)識別，并未對多尺度多類型的其他海上目標(biāo)(蠔排、紅樹林、海岸線、養(yǎng)殖池塘等)進(jìn)行識別，也未對識別后的目標(biāo)進(jìn)行行為活動分析。

本研究中，依托自有的無人機(jī)高清影像及91衛(wèi)圖助手影像等基礎(chǔ)數(shù)據(jù)，以Faster R-CNN模型為技術(shù)框架，引入視覺注意力機(jī)制，改進(jìn)模型結(jié)構(gòu)，使模型具有更強的復(fù)雜特征提取能力與魯棒性，實現(xiàn)對復(fù)雜海洋目標(biāo)的檢測與識別，并建立智能識別模型，以期用于海上目標(biāo)的智能識別、非法用海占海與破壞生態(tài)環(huán)境行為的自動判斷與預(yù)警。

1 相關(guān)網(wǎng)絡(luò)模型

為了增強卷積網(wǎng)絡(luò)的特征提取能力，越來越多的研究人員將神經(jīng)學(xué)的視覺注意力機(jī)制引入到深度學(xué)習(xí)模型中[3]。一般通過三大注意力域來研究軟注意力機(jī)制的網(wǎng)絡(luò)模型結(jié)構(gòu)，即空間域、通道域和混合域[4]。通道域是相當(dāng)于在每個channel的信號上增加一個權(quán)重，用來代表此channel與關(guān)鍵信息的相關(guān)度，權(quán)重越大則相關(guān)性越高[5]。SENet(squeeze-and-excitation networks)是2017年ImageNet分類比賽的冠軍模型，也是通道域的代表網(wǎng)絡(luò)模型[6]。SKNet(selective kernel networks) 出自2019CVPR的一篇論文，是SENet的加強版[7]。SENet與SKNet在注意力機(jī)制中處于同等地位，均可方便地融入Faster R-CNN模型中，對分類問題中的特征提取能力有一定提升[8]。

1.1 SKNet模型

將原圖經(jīng)過一系列的conv、pooling操作，得到一個C×H×W(C表示channel,H表示height,W表示width)大小的feature map。SENet模型是對feature map的通道注意力機(jī)制的實現(xiàn)，而SKNet模型則是針對卷積核的注意力機(jī)制的實現(xiàn)[9]。不同大小的目標(biāo)會對不同大小的卷積核敏感程度不同[10]。因此，SKNet試圖針對不同的圖像找到最合適尺度的卷積核，即對不同的圖像動態(tài)生成卷積核。其本質(zhì)就是在網(wǎng)絡(luò)中使用多尺寸的卷積核[11]，與Inception網(wǎng)絡(luò)中的多尺度不同，SKNet是讓網(wǎng)絡(luò)自己選擇合適的尺度[12]。SKNet結(jié)構(gòu)如圖1所示，其主要包括3部分操作：

圖1 SKNet模型結(jié)構(gòu)

1)Split處理。對輸入的feature map使用兩個大小不一樣的卷積核進(jìn)行g(shù)roup convolution(efficient grouped、depthwise convolutions、batch normalization、ReLU function)等操作，以提升精度。

2)Fuse處理。通過Split處理分成兩個分支以后，再將結(jié)果進(jìn)行融合，然后經(jīng)過Sequeeze和Excitation模塊處理。

3)Select操作。利用兩個softmax將上一步的結(jié)果回歸出channel間的權(quán)重信息，然后將兩個權(quán)重矩陣對兩路進(jìn)行加權(quán)處理，再求和得出輸出向量。因SKNetl采用不同的卷積核，可以自適應(yīng)地調(diào)整自身的感受野，故比SENet具有更高的精度。

1.2 Faster R-CNN模型

Faster R-CNN模型是Girshick R在2015年提出的一個經(jīng)典的目標(biāo)檢測模型[13]，它用網(wǎng)絡(luò)訓(xùn)練的方法實現(xiàn)目標(biāo)提取，在一個網(wǎng)絡(luò)中整合了特征抽取、proposal提取、邊框回歸、分類等操作，極大地提高了目標(biāo)檢測、分類的效率和性能[14]。傳統(tǒng)的目標(biāo)檢測模型是用Selective search方法提取候選框，該方法十分耗時，難以滿足高效、實時檢測的應(yīng)用需求[15]。因此，F(xiàn)aster R-CNN中引入了RPN(region proposal networks，區(qū)域候選網(wǎng)絡(luò))的概念，專門用于提取目標(biāo)候選框[16]。RPN方法檢測速度快，相對耗時少，且易于整合到Fast R-CNN模型中，故而Faster R-CNN = RPN + Fast R-CNN[17]。該模型在現(xiàn)在的目標(biāo)檢測系統(tǒng)中得到了廣泛應(yīng)用。

Faster R-CNN模型結(jié)構(gòu)如圖2所示，其主要包括6個步驟：1)通過卷積和池化操作，提取圖像特征；2)用RPN提取目標(biāo)候選區(qū)域；3)經(jīng)過后處理，確定更精確的位置；4)建立候選區(qū)域與特征圖的映射關(guān)系；5)根據(jù)前面確定的精確位置，從特征圖中摳出用于分類的目標(biāo)數(shù)據(jù)，并池化成固定長度的數(shù)據(jù)；6)利用softmax函數(shù)獲取最終分類并獲取最終的目標(biāo)檢測框位置。

圖2 Faster R-CNN模型整體結(jié)構(gòu)

RPN的作用是對要處理的圖片區(qū)域進(jìn)行預(yù)處理，以減少后續(xù)的計算量，主要包括兩部分操作：1)RPN classification，對feature map進(jìn)行區(qū)域分割，并從中分辨出前景和背景區(qū)域；2)RPN bounding box regression，提取前景區(qū)域的大概位置坐標(biāo)。RPN訓(xùn)練時需要將兩部分的loss加起來。

2 基于改進(jìn)Faster R-CNN模型的海洋典型目標(biāo)識別

2.1 海洋目標(biāo)的復(fù)雜性及其檢測模型的選取

在海域監(jiān)管中通常關(guān)注的海洋目標(biāo)有紅樹林、船舶、養(yǎng)殖池塘、蠔排、挖掘機(jī)、養(yǎng)殖網(wǎng)箱、圍填海項目等，這些目標(biāo)具有以下幾個方面特點：1)多尺度，如塑料瓶、塑料袋等海洋垃圾類小目標(biāo)，以及紅樹林、養(yǎng)殖池塘等海域利用大目標(biāo)；2)多樣化，包括單純的個體目標(biāo)(如漁船)、復(fù)雜的集群目標(biāo)(如蠔排)、不確定的對象(如挖掘機(jī))及復(fù)雜的對象行為分析(如挖掘機(jī)施工、采砂船采砂等)；3)背景場景復(fù)雜，如背景可能是海面、灘涂、海堤、碼頭、樹林、圍填海施工現(xiàn)場等，且干擾目標(biāo)多；4)時空關(guān)系復(fù)雜，如多目標(biāo)間的位置關(guān)系復(fù)雜、多張連續(xù)圖像間的位置相關(guān)聯(lián)。

此外，這些目標(biāo)根據(jù)其周邊環(huán)境存在一定的不確定性：1)對象的不確定性，如漁船與采砂船外觀相近，需結(jié)合其他特征來區(qū)分(如船運動軌跡上是否存在大量泥沙的痕跡)；2)行為的不確定性，在海邊發(fā)現(xiàn)有挖掘機(jī)或貨車，不能確定其是否是在進(jìn)行圍填海施工活動，或者漁船在海上作業(yè)是否違法需結(jié)合禁漁期的時間設(shè)定。因此，找出一種適合復(fù)雜海洋場景識別和海洋目標(biāo)提取的模型對海域自動監(jiān)管的實現(xiàn)具有極大的現(xiàn)實意義。

由于本研究中是針對基于遙感影像的海域自動監(jiān)管需求，不同于對視頻流的實時識別，對計算速度要求相對較低，但對檢測率和準(zhǔn)確率的要求則較高，因此，本研究中選定綜合性能(檢測率、準(zhǔn)確率、計算速度)較好的Faster R-CNN模型作為基礎(chǔ)網(wǎng)絡(luò)模型框架。此外，F(xiàn)aster R-CNN模型具有較好的適配性，為其搭配不同的特征提取網(wǎng)絡(luò)，其目標(biāo)檢測能力也不同，一個復(fù)雜強大的特征提取網(wǎng)絡(luò)能大幅提升Faster R-CNN的檢測能力和精度。

2.2 模型改進(jìn)思路

Faster R-CNN模型具有較好的檢測精度和速度，但其對目標(biāo)的邊界定位不夠精確，且當(dāng)原圖和特征圖較大時，不利于候選區(qū)域的尋找。本研究中在用Faster R-CNN模型進(jìn)行特征提取的時候，引入SKNet注意力機(jī)制，主要基于兩點考慮：一是可以對每次不同區(qū)域提取的特征加以權(quán)重區(qū)分，即在特征提取的時候標(biāo)注好每個區(qū)域的貢獻(xiàn)度，更好地利用待檢測目標(biāo)周邊的上下文信息；二是SKNet的本質(zhì)就是在網(wǎng)絡(luò)中使用多尺寸的卷積核，具有尺度自適應(yīng)能力，可以更好地適應(yīng)多尺度海洋目標(biāo)的檢測，實現(xiàn)一個模型對多個不同尺度(尺度跨度大)目標(biāo)的準(zhǔn)確檢測，增強模型的穩(wěn)定性。

2.3 引入SKNet改進(jìn)后的Faster R-CNN網(wǎng)絡(luò)模型結(jié)構(gòu)

改進(jìn)后的Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)主要包括3部分，即基于SKNet的特征提取網(wǎng)絡(luò)、RPN和Fast R-CNN(圖3)。本研究中使用ResNet101和SKNet相結(jié)合的方式進(jìn)行圖像特征提取，在每個ResNet101卷積模塊后加上一個SKNet處理，得到表達(dá)能力更強的feature map。其主要處理流程如下：

圖3 改進(jìn)后的Faster R-CNN網(wǎng)絡(luò)模型結(jié)構(gòu)圖

1)對輸入數(shù)據(jù)進(jìn)行卷積處理，得到初步的feature map。

2)對卷積層處理后的feature map分別用3×3、5×5、7×7的卷積核進(jìn)行卷積操作，得到輸出U1、U2、U3。

3)用element-wise summation來融合3個分支的結(jié)果，即U=U1+U2+U3，其中，U為一個C×H×W大小且融合了多個感受野信息的feature map。然后通過對H、W維度方向求平均值，得到一個C×1×1大小的向量，表示的是每個channel的重要程度。

channel-wise的統(tǒng)計信息用s(s∈RC)表示，sc表示s的第c個元素，其計算公式為

對C×1×1的向量用full connection層進(jìn)行一個線性變換，得到一個Z×1×1的信息z，然后分別使用3個線性變換，又從Z維恢復(fù)到C維向量，提取每個channel維度的信息。z的計算公式為

z=Ffc(s)=δ(B(Ws)) 。

(2)

其中：z∈Rd×1；δ為ReLU函數(shù)；B為批量標(biāo)準(zhǔn)化;W∈Rd×C,d=max(C/r,L)，r為reduction ratio，L為d的最小值;Ffc為對矩陣做全連接操作。

4)使用softmax進(jìn)行歸一化處理，得到表示每個channel重要程度的對應(yīng)分?jǐn)?shù)，然后再分別乘以對應(yīng)的U1、U2、U3，得到A1、A2、A3。再將3個模塊相加進(jìn)行融合得到Y(jié)，Y相對于U經(jīng)過了信息提煉，且融合了多個感受野信息。設(shè)a、b、c為Select的3個權(quán)重矩陣，A、B∈RC×d，Ai表示A的第i行，ai是a的第i個元素，Bi、bi與Ai、ai同理，且ai+bi+ci=1，最終的特征映射Y計算公式為

Yi=ai×A1+bi×A2+ci×A3，

(3)

5)將A作為輸入再進(jìn)行卷積層處理，然后再進(jìn)行SKNet處理，如此循環(huán)N次。

6)將最終得到的feature map作為輸入傳到RPN網(wǎng)絡(luò)中進(jìn)行處理。RPN將feature map經(jīng)sliding window處理，最后得到建議的候選位置信息。

7)將候選位置信息與feature map建立映射關(guān)系，并從中獲取用于分類的目標(biāo)數(shù)據(jù)，最終得到分類信息與精確的位置信息。

2.4 基于改進(jìn)網(wǎng)絡(luò)模型的復(fù)雜海洋目標(biāo)識別

基于遙感影像的復(fù)雜海洋目標(biāo)識別是指利用深度學(xué)習(xí)技術(shù)，建立海洋目標(biāo)智能識別網(wǎng)絡(luò)模型，自動過濾掉圖像中無用的或干擾的信息，實現(xiàn)各類海上目標(biāo)的自動檢測與識別，為海洋管理與執(zhí)法提供一種快速、高效、低成本的技術(shù)手段。針對這些應(yīng)用需求，本文引入了SKNet對Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，改進(jìn)后的網(wǎng)絡(luò)模型主要包括3部分：1)特征提取，通過卷積核和SKNet的多重組合，進(jìn)行圖像特征提取，得到feature map，其中卷積網(wǎng)絡(luò)模型常用的有VGG16、ResNet、IncRes V2等，本研究中采用ResNet101網(wǎng)絡(luò)；2)RPN檢測，通過RPN網(wǎng)絡(luò)處理，得到推薦目標(biāo)候選區(qū)域；3)Fast R-CNN目標(biāo)檢測與分類，對候選區(qū)域?qū)?yīng)的feature map數(shù)據(jù)進(jìn)行提取、處理，獲取目標(biāo)分類結(jié)果及更準(zhǔn)確的位置信息。本研究中改進(jìn)的Faster R-CNN模型比原模型增加了計算量。

改進(jìn)的網(wǎng)絡(luò)模型在海洋監(jiān)測中的應(yīng)用主要包括兩部分內(nèi)容。

1)遙感影像人工智能海上目標(biāo)及活動識別。利用高分辨率衛(wèi)星遙感影像，通過深度學(xué)習(xí)網(wǎng)絡(luò)模型及圖像處理方法，自動識別提取海上目標(biāo)及用海占海行為，如養(yǎng)殖蠔排、養(yǎng)殖網(wǎng)箱、采砂船等目標(biāo)，以及圍填海、排污、溢油、垃圾傾倒等行為，以確定其用海類型。

基于改進(jìn)Faster R-CNN模型的遙感影像海上目標(biāo)識別方法，具體步驟如下：(1)收集高分辨率衛(wèi)星、無人機(jī)遙感影像數(shù)據(jù)，針對典型的海洋目標(biāo)(船舶、蠔排、紅樹林、岸線)建立圖像樣本庫；(2)通過任意角度旋轉(zhuǎn)、隨意裁剪、加噪聲等方法，擴(kuò)充樣本量較少的樣本庫；(3)建立樣本類型對應(yīng)的數(shù)據(jù)標(biāo)簽；(4)設(shè)計基于改進(jìn)Faster R-CNN的網(wǎng)絡(luò)模型，利用SKNet+RPN實現(xiàn)對目標(biāo)候選區(qū)域的選取，并用卷積神經(jīng)網(wǎng)絡(luò)對樣本庫進(jìn)行識別訓(xùn)練，得到識別模型；(5)用未參與訓(xùn)練的樣本隨機(jī)對識別模型進(jìn)行測試；(6)增加網(wǎng)絡(luò)層數(shù)和樣本數(shù)量，優(yōu)化識別模型。Faster R-CNN中的RPN目標(biāo)候選區(qū)域選取如圖4所示。

圖4 海洋目標(biāo)RPN檢測示意圖

2)識別結(jié)果與基礎(chǔ)數(shù)據(jù)的比對分析，用海行為的合法性判斷。將識別結(jié)果、用海行為與該區(qū)域的信息綜合體進(jìn)行融合分析；對海洋災(zāi)害、資源盜采及生態(tài)破壞情況進(jìn)行預(yù)警，對疑似非法用海占海行為進(jìn)行取證、記錄，提交給海洋管理執(zhí)法部門進(jìn)行調(diào)查處理，并建立起“基礎(chǔ)信息全覆蓋、動態(tài)監(jiān)管全海域、業(yè)務(wù)運行全行業(yè)、決策評價全方位”的立體監(jiān)控體系。

3 海洋目標(biāo)識別試驗

3.1 試驗環(huán)境及數(shù)據(jù)集

本次試驗基于百度的PaddlePaddle深度學(xué)習(xí)框架，IDE工具采用pycharm，系統(tǒng)環(huán)境為Windows 10。利用自然資源部發(fā)布的衛(wèi)星遙感影像、大疆精靈4航飛的無人機(jī)高清影像(本單位已積累大量的無人機(jī)海域高清影像)及91衛(wèi)圖助手專業(yè)版提供的影像，進(jìn)行截圖獲取海洋目標(biāo)樣本，每張圖像分辨率為800×800像素，共建立訓(xùn)練樣本庫8 000張，其中，各類目標(biāo)(船舶、蠔排、紅樹林、岸線)2 000張，測試樣本庫4 000張。數(shù)據(jù)分布如表1所示。

表1 不同類別海洋目標(biāo)數(shù)據(jù)統(tǒng)計

由于數(shù)據(jù)集的像素維度各不相同，需要進(jìn)一步處理并對圖像進(jìn)行變換。本研究中先對圖像進(jìn)行crop修剪操作，輸出img的維度為(3,800,800)；然后將img數(shù)組進(jìn)行歸一化處理，得到0到1間的數(shù)值。每個類別的樣本圖片均單獨存放在一個文件夾下。

3.2 試驗過程

針對歸一化后的數(shù)據(jù)，設(shè)計深度學(xué)習(xí)的網(wǎng)絡(luò)模型，用于樣本訓(xùn)練與測試。本試驗中采取兩組對比試驗，將原模型和改進(jìn)后的模型在同等條件(同樣的樣本庫、同樣的網(wǎng)絡(luò)參數(shù))下進(jìn)行對比測試。根據(jù)經(jīng)驗值和調(diào)整模型設(shè)置參數(shù)，本試驗中訓(xùn)練輪數(shù)為100，每批取樣本數(shù)為32(根據(jù)內(nèi)存大小設(shè)置，本試驗機(jī)器內(nèi)存為16 GB)。在設(shè)置學(xué)習(xí)率時，由于學(xué)習(xí)率較大時收斂會較快，因此，為了能快速找到收斂區(qū)間，學(xué)習(xí)率剛開始設(shè)置為0.01，但在接近收斂區(qū)間時，大的學(xué)習(xí)率會導(dǎo)致校驗誤差在一定范圍內(nèi)振蕩，此時再將學(xué)習(xí)率調(diào)整到0.002 5，有助于進(jìn)一步縮小收斂區(qū)間并降低誤差限。

3.3 結(jié)果與分析

由訓(xùn)練效果可知，新模型的收斂更快、整體穩(wěn)定性更好，為了對比模型的改進(jìn)效果，本試驗中將用同樣的訓(xùn)練和測試數(shù)據(jù)集，對改進(jìn)的Faster R-CNN模型與原Faster R-CNN模型進(jìn)行對比測試，兩者提取特征的卷積神經(jīng)網(wǎng)絡(luò)均用ResNet101網(wǎng)絡(luò)模型，另外還針對每類海洋目標(biāo)分別進(jìn)行了測試。每次測試均按需求從測試庫隨機(jī)抽取1 000張圖片，總體測試結(jié)果如表2、表3所示。

表2 對比測試結(jié)果

表3 改進(jìn)后模型分類測試結(jié)果

由測試結(jié)果可知，在同樣的訓(xùn)練及測試條件下，改進(jìn)后的Faster R-CNN模型雖然增加了計算量，檢測耗時也有所增加，但均在可接受范圍內(nèi)，識別準(zhǔn)確率有明顯提升，整體識別準(zhǔn)確率達(dá)到87%左右。在4類海洋目標(biāo)分類測試中，船舶的特征最為明顯，因此，識別準(zhǔn)確率最高；紅樹林的特征最為復(fù)雜，其對圖像分辨率要求較高，本研究中使用的圖像分辨率較低，所以識別準(zhǔn)確率相對較低?？傮w而言，模型具備實際應(yīng)用的穩(wěn)定性。但是針對海洋目標(biāo)違法行為的判定，還需要結(jié)合涉海規(guī)劃數(shù)據(jù)及目標(biāo)的類型、位置及周邊環(huán)境信息等進(jìn)行綜合判斷。識別效果如圖5所示。

圖5 海洋目標(biāo)RPN檢測示意圖

4 結(jié)論

1)通過引入SKNet網(wǎng)絡(luò)模型，改進(jìn)了Faster R-CNN網(wǎng)絡(luò)模型的結(jié)構(gòu)，改進(jìn)后的模型與原模型相比，增強了模型針對復(fù)雜場景圖像特征的提取能力，更適用于復(fù)雜海洋目標(biāo)的提取與識別。

2)改進(jìn)后的模型總體識別準(zhǔn)確率有了明顯提升，具有更強的穩(wěn)定性。該模型可用于海量海洋影像中海洋目標(biāo)的快速提取與預(yù)判，下一步應(yīng)結(jié)合涉海規(guī)劃數(shù)據(jù)、海域利用現(xiàn)狀數(shù)據(jù)等，綜合對海洋目標(biāo)及其海上活動進(jìn)行自動識別、判斷與預(yù)警，可大幅提高海洋監(jiān)管能力與效率。