基于RetinaNet的SAR图像舰船目标检测

刘洁瑜，赵彤†，刘敏

（1.火箭军工程大学 导弹工程学院，陕西 西安710025；2.湖南大学 电气与信息工程学院，湖南 长沙410082）

SAR图像是通过高频率的电磁波与合成孔径原理相结合对一片区域进行主动感知生成的高分辨率图像，其成像受外界环境影响较小，可以主动对目标完成全天候和远距离的侦查[1].因此，基于SAR图像的目标检测在敌舰侦察领域得到了广泛的应用.传统的SAR目标检测一般采用恒虚警率检测算法，其采用检测器统计SAR图像中的每个像素点周围杂波的分布特性，自适应生成检测阈值，并将目标像素点从背景中提取出来，而后通过形态学处理和负样本剔除等操作得到目标中心，进而完成检测.此类方法需根据图像特征，人为地设定检测器和约束条件，因此鲁棒性和实用性较差[2].尤其在舰船检测中，由于海洋潮汐等背景杂波的干扰，该类算法的检测精度会受到较大影响.

近年来，基于卷积神经网络（Convolutional Neural Network，CNN）的深度学习目标检测算法成为了研究热点.Girshick等人[3]提出了基于区域卷积神经网络的目标检测算法，使得基于深度学习的目标检测相对于传统方法在精度和速度上取得巨大突破，在PSCAL VOC 2012数据集上平均检测精度达到了53.3%，开启了基于深度学习的目标检测的热潮.之后，陆续出现了SPPNet[4]、Faster R-CNN[5]、Faster RCNN[6]、YOLO[7-9]、SSD[10]等算法.到目前为止，目标检测已经被构建为分类和回归的问题来进行解决--以Faster R-CNN为代表的两阶段方法和以SSD和YOLO为代表的单阶段方法，其中Faster R-CNN准确率更高，而SSD的速度占优.之后，Lin等[11]认为单阶段算法精度不及两阶段算法的本质原因是其正负样本的不均衡，并为此提出了Focal loss损失函数使得单阶段的检测网络在精度上有了很大的提升，其提出的RetinaNet也成为了当下最佳的检测网络方法之一.

得益于深度学习算法的发展，SAR图像目标检测也迎来了很大变革.李健伟等[12]构建了国内首个SAR图像舰船公开数据集SSDD并用其训练Faster R-CNN网络，通过对比传统方法，证明了深度学习算法的优越性.Shahzad等人[13]利用级联的全卷积神经网络实现了高分辨率SAR图像中对建筑物的有效检测.然而，基于深度学习的SAR图像检测中的各类算法在精度和速度上还有改进空间.

本文基于现阶段较为先进的RetinaNet检测算法进行改进，结合SAR图像本身信息相对RGB图像较少的特点，在更底层的图像特征层上进行处理，融合了基础提取网络的多层特征信息；之后在多尺度的特征层对预选框进行回归.采用SSDD数据集对网络进行训练，并通过样本增强和迁移学习的方法提升算法的鲁棒性、收敛速度.最终通过实验与其他典型的深度学习算法进行对比，结果表明，本算法具有更好的效果.

1 算法结构

1.1 特征提取网络

本算法的特征提取部分与RetinaNet相同，采用了深度残差网（ResNet101）[14].一般来说，神经网络的性能随着网络深度的增加而增加，然而如果简单地增加深度，会导致梯度弥散或梯度爆炸.针对该问题，解决的方法是采用relu激活函数和中间层的正则化（Batch Normalization）[15]，这样可以训练几十层的网络.但之后便会出现模型退化问题，即使深度继续增加，网络的准确率也不会上升甚至出现下降.而ResNet采用跨层连接的思想使用恒等映射直接将前一层输出传到后面，即使网络深度增加，也不会使网络的准确度下降.其网络结构如图1（a）所示，其中每组括号代表一个结构块（block），其结构如图1（b）所示（以Conv3为例）.整个网络包含101个卷积层（这里省略了最后的全连接层）.每个block中包含3个卷积层，其参数{n×n，m}中，n代表卷积核的大小，m代表卷积核的数量.Conv1中的stride为卷积操作的步长，在每个block中第一个卷积层的步长为2，其余步长均为1，因此在每一个block结构中，特征图的尺寸会下降一半.Conv2中的maxpool代表最大池化操作，其池化单元大小为3×3，步长为2.

1.2 特征融合结构

图1 特征提取网络参数Fig.1 Feature extraction network parameter

传统的RetinaNet采用了特征金字塔（Feature Pyramid Networks，FPN）[16]的结构进行特征融合，其融合结构如图2所示.Conv5_9层首先经过1×1的卷积生成Conv6层，而后经过线性插值上采样得到和Conv4_69同样的尺度，之后再与Conv4_69经过1×1的卷积后进行融合生成Conv7.同样，Conv7经过上采样生成和Conv3_12相同的尺度后与经过1×1的卷积的Conv3_12融合生成Conv8.在检测过程中，浅层的细节信息更有利于目标的定位，而高层的语义信息则更有益于目标的识别.FPN巧妙地将ResNet浅层的细节信息和高层的语义信息结合起来，以更好地对局部信息进行约束.然而在结合的过程中，FPN仅仅将高层信息上采样后与浅层信息同纬度相加.这样的结合方式相对来说较为粗糙，忽略了特征图经双线性插值引入的结构误差.同时，由于SAR图像本身仅包含一个维度的有效信息，对误差的影响更加敏感，因此更有效地融合特征信息是提高检测效率的关键.

图2 ResNet的FPN结构Fig.2 FPN structure in ResNet

本文提出了一种新的特征融合网络，其结构如图3所示.Fusion1和Fusion2为特征融合单元，Fusion1以适当的方式融合3层不同表征能力的特征图，提取了更多Sar图像的潜在特征，生成更准确的特征金字塔.Fusion2将金字塔相邻的不同尺度的特征图进行融合，建立了深浅层之间的耦合关系.其结构参数分别如表1（以Conv6和Conv9的生成为例）和表2所示.Fusion1对ResNet的Conv2、Con3、Conv4和Conv5层后3个block分别进行1×1同纬度的卷积运算，而后并联在一起并再次通过1×1的卷积对有效信息进行融合，生成了Conv6、Conv7、Conv8和Conv9.这4个特征信息更丰富和准确的特征层，感受野逐渐变大，特征的细粒度也逐渐减小.其中Conv6是从Conv2特征图中融合得到，包含更多的目标细节信息，因此其对小目标更敏感，对目标的定位更有效.Fusion2结构在新的金字塔结构上建立了深层特征到浅层特征的链接.对小尺寸的特征图首先进行双线性插值，而后通过1×1卷积跨通道地整合信息并降低特征层维度，通过3×3的卷积减少特征图的结构误差，最后与经过1×1卷积的低维特征图融合.融合过程采用相加的方式，3×3的卷积是为消除混叠效应.相比于原始网络的FPN结构，本网络的输出层提取了更浅层的特征信息，各特征图的尺度为原输出特征图的4倍.

表1 Fusion1的融合结构Tab.1 Fusion structure of Fusion1

图3 新的特征融合结构Fig.3 New feature fusion structure

表2 Fusion2的融合结构Tab.2 Fusion structure of Fusion2

1.3 边框回归和分类

改进的融合结构在Module1、Module2和Module3三个特征层上分别通过4个3×3的卷积层后，进行位置回归和分类，生成固定数目的初始框.一般的回归部分，位置和种类的回归在同一个特征图上，而为了使两个不同的损失相互之间没有影响，增强特征的表征能力，RetinaNet的位置回归和分类分开进行.以Module2为例，其回归结构如图4所示.在每个特征层的锚点上生成9个初始框，通过和真实框的匹配得到边界框.计算真实框和边界框之间的损失函数，并通过平均梯度下降法建立优化器，最终完成网络的训练.

图4 Module2的回归结构Fig.4 Regression structure of Module2

RetinaNet的损失函数和其他检测算法相同，分为位置损失和分类损失.位置损失的计算如式（1）所示.

考虑正负样本的不平衡问题，RetinaNet采用了Focal loss作为分类损失.Focal loss是在交叉熵损失函数（CE loss）中改进的，CE loss如式（3）所示.

式中：n代表边界框的总数，y′t为第t个边界框所对应的正确类别；pt为第t个边界框的预测类别；I为符号函数；大括号内为判断条件.Focal loss在CE loss前加上了权重，如式4所示：

式中：α和γ均为权重因子，一般分别取0.25和2.可以看出，当正负样本不均匀时，由负样本造成的损失会大幅度下降；而当样本均匀时，损失仅适当降低，从而减弱了样本不均造成的分类错误.

由于改进网络结构特征层的尺度是原图的4倍，因此初始框的数目为原图的4倍，属于背景的边界框与属于前景的边界框之间的比例会更大.这样，即使Focal loss可以适当平衡正负样本的不均衡，也会对损失函数的训练带来退化.同时，由于初始框的大量增加，网络计算量增加，训练效率也会受到较大影响.因此，在进行分类和回归前，采用了OHEM（Online Hard Example Mining）算法[17]的思想，对正负样本进行筛选.OHEM也是基于CE算法的改进，经证明[10-11]，其在平衡正负样本上具有较好的鲁棒性.

在本文算法中，首先计算每个边界框与真实框之间的IOU；而后按照IOU从大到小对所有边界框进行排序，取其中前2/3数量的边界框作为训练样本；最后，调用Focal loss进行损失函数的计算和反向传递.

2 训练预处理

2.1 数据增广

在训练过程中，为了增加网络的鲁棒性，对输出的SAR图像进行增广.数据增广的方式有很多，比如水平翻转、裁剪、视角变换、jpeg压缩、尺度变换、颜色变换和旋转等等.考虑到实际拍摄的角度不同和SAR图像的单通道特性，这里我们选择采用水平翻转、尺度变化、旋转和亮度变化.在数据输入阶段，分别有50%的概率对图像进行随机类别的增广操作.

在进行水平翻转、尺度变化和旋转变化时，图像的标注框也要同时进行改变.在进行水平翻转和尺度变化时，标注框的类别信息不变，位置信息（x，y，w，h）进行对称变化和尺度变化.而在进行旋转变化时，标注框需要重新设定，如图5所示.首先通过旋转的角度，计算相应标注框的顶点旋转后的映射位置.而后，计算出每两个点之间的横向和纵向的最大距离，并以最大的横向距离和纵向距离作为新标注框的（w，h），中心位置坐标不变.最后，选择适当的缩进尺度对边框的（w，h）进行修正.设（w′，h′）为新边框的大小，ε为缩放因子，S为原边框的面积，则

图5 旋转变化时标注框的变化Fig.5 Change in the label box

2.2 迁移学习

迁移学习是指针对新的神经网络重新使用预先训练的模型进行参数初始化.由于其能用较少的数据训练深度神经网络，能够提升网络的训练速度和精度，这使得它在深度学习领域非常流行.在本文中，首先使用MSTAR数据集在ResNet101上进行预训练，保存训练好的模型参数，而后将模型载入本算法的特征提取层，最后利用SSDD数据集对本网络的参数进行微调（Fine-tuning）.

MSTAR数据集是美国国防高等研究计划署（DARPA）支持的MSTAR计划所公布的实测SAR地面静止目标的公开数据集，包含多种车辆目标在各个方位角下获取到的目标图像.由于SAR图像和RGB图像之间存在较大差异，因此使用MSTAR数据集进行预训练可以避免出现负迁移的现象.将MSTAR数据集在ResNet101上进行训练，待网络完全收敛，去除ResNet101最后的全连接层，将前层的参数载入到本算法的特征提取层.在之后的Finetuning过程中，不冻结特征提取层的参数，直接利用SSDD数据集对网络进行调整.

3 实验验证

实验在Ubuntu16.04系统的Pytorch框架下运行，并使用CUDA8.0和cuDNN5.0来加速训练.计算机搭载的CPU为Corei7-8700k，显卡为NVIDIA GTX1080Ti，内存为32 G.数据集为SSDD，共1 160张图像，2 456艘舰船目标.本文将此数据集按照7∶3的比例分为了训练集和测试集，在分类中，将图像按照复杂度（密集程度和尺度变化量）均匀地分给训练集和测试集以保证实验的有效性.非极大值抑制和预测概率的阈值均为0.5.

将本算法与传统的RetinaNet、SSD、FSSD、RFB单阶段算法进行对比，采用平均精度和FPS作为性能指标，对比结果如表3所示（都经过预训练和数据增强）.

表3 算法性能对比表Tab.3 Algorithm performance comparison table

由表3可知，在精度上，经典的基于Vgg16的SSD网络精度相对较低，而其改进结构RFB和FSSD网络（基于Vgg16）的检测精度虽然有所提高，但改进效果较小.当采用性能更好的特征提取层如ResNet101和DarkNet53时，SSD网络的精度提升到了86.7%，而FSSD网络提升较小，RFB网络甚至出现精度下降.相对于SSD系列的算法，RetinaNet在精度上具有明显的优势.而本文所提出的改进算法在RetinaNet的基础上仍有1.8%的提升，取得了最高的检测精度.在速度上，可以看出特征提取层的影响较大，其中基于Vgg16的网络速度较快，基于ResNet101的速度较慢.传统的基于Vgg16的SSD网络速度最快，但是精度相对不足.本文提出的算法在速度上达到50 FPS，相比原始RetinaNet仅仅下降8.82 FPS（3 ms），因此总体来看，本文所提出的算法在此数据集中具有更好的效果.

为了证明改进算法的有效性，分别将本文算法的改进部分（融合结构，损失函数）与原始算法进行对比，如表4所示.

表4 改进部分的对比表Tab.4 Improved part comparison

由表4可以看出，同时包含了这2种改进的算法精度达到最高；只改进了损失函数算法的精度有所下降，这是由于原始算法正负样本比例适中，不会对Focal loss的计算带来退化所致.而加入OHEM的思想，网络强制性地去除了一些有利样本，故精度有所下降.当加入特征融合结合结构时，可明显发现，网络检测精度提高，这是因为网络综合利用了底层的特征信息，更高效地融合了深浅层的图像特征.然而，由于此时正负样本的不均衡程度增加，损失函数存在部分退化，此时，加入OHEM的思想则对正负样本的均衡性进行调整，再利用Focal loss进行损失计算和传递，于是算法精度上升.

最后，将改进的算法和原始的RetinaNet的检测结果可视化对比，如图6所示.通过对比2种算法和标注图，可以看出，在干扰因素较多、目标较小的时候，传统的RetinaNet漏检、错检严重，而本文算法都可以很好地识别出目标，具有较好的鲁棒性.

图6 输出结果的可视化对比Fig.6 Visual comparison of output

4 结论

针对传统的SAR图像舰船检测算法鲁棒性差、精度低、适应性不强等不足，本文提出了一种深度学习的SAR图像检测算法，该算法在RetinaNet的基础上针对SAR图像成像的特点对其FPN结构进行改进，增加了其特征数量，提升了融合效果.而后，针对数据量的增加出现的正负样本失衡问题，对损失函数的计算进行改进.最后，通过数据增强和迁移学习提升网络鲁棒性、收敛速度.实验中利用SSDD数据集对网络进行训练并对比了几个典型的单阶段检测算法，结果显示，本算法相比于传统的RetinaNet算法在FPS下降有限的情况下，准确率提升了1.8%，具有更好的效果.