面向近岸复杂场景的SAR影像目标智能检测方法研究

耿晓蒙

河北师范大学地理科学学院,河北 石家庄 050024

合成孔径雷达(synthetic aperture radar,SAR)具有分辨率高、不受天气影响等优势,为近岸船舶和海水养殖的准确检测提供了持续观测数据。但是近岸陆地和海洋背景复杂,SAR影像中经常存在易与船舶目标混淆的虚警目标,如近岸陆地背景中的建筑物、港口人工设施、堤坝、跨海桥梁,以及海洋场景中的灯塔、小岛、礁石(岩石)和方位向模糊引起的“鬼影”。近岸复杂潮汐和地形引起养殖区水位动态波动较大,导致SAR影像中养殖浮筏比船舶散射机制更复杂,难以准确检测。因此,如何利用深度学习技术,提高SAR影像在近岸复杂场景中的目标检测能力已成为一个亟需解决的难点。因此,论文在归纳和总结现阶段利用深度学习的SAR影像近岸目标检测方法基础上,以Sentinel-1和高分三号(GF-3)影像为主要支撑数据,利用SAR影像地物统计分布特性,地物散射信息,结合深度学习方法对近岸复杂场景中的船舶和养殖浮筏检测开展了深入分析与研究。研究内容主要包括:

(1) 针对目前深度学习船舶检测模型复杂度高、可解释性差、受近岸复杂背景影响检测结果虚警高的问题,论文提出了一种基于轻量化网络的两阶段船舶检测方法框架。该框架基于近岸背景抑制滤波器和形态学处理后的雷达数据统计分布特性,对船舶和虚警目标进行初筛生成候选目标,将复杂的模型网络优化为轻量化两层卷积网络,依靠浅层网络捕获不同尺度船舶和虚警目标的细节特征,更加有效地区分虚警目标和船舶目标,从而降低船舶检测的虚警率。同时,利用Grad-CAM方法加强了检测模型的可解释性。试验结果表明,VH极化比VV极化更能够抑制海洋海况背景和方位模糊,本文提出的基于轻量化网络的两阶段近岸船舶检测方法降低了近岸陆地、岛礁导致的虚警率,适用于不同尺度船舶检测。

(2) 针对近岸复杂场景深度学习船舶检测方法过度依赖大量标注样本的问题,论文提出了一种基于少量样本主动学习的两阶段近岸船舶检测方法研究。通过主动学习机制优化深度学习模型,并在主干网络模块基础上增加了损失预测模块,串联主干网络模块和损失预测模块的损失进行联合学习;利用信息熵挖掘信息量最丰富且不确定性最高的样本,实现无标注样本的自动标注。试验结果证明,该方法在保持较高近岸船舶检测精度的情况下,能够自动标注样本,降低了船舶检测所需人工标注样本的成本和时间,实现了少量标注样本条件下的近岸复杂场景船舶检测。在近岸复杂区域,该方法能够有效降低标注样本的数量,仅标注50个样本可以实现F1值为0.96的近岸船舶检测精度,并具备近岸不同尺度船舶的检测能力。

(3) 针对近岸复杂潮汐环境下深度学习养殖浮筏检测方法忽略目标成像机制,高度依赖训练数据的问题,论文提出了一种顾及极化特性的编码解码网络近岸养殖浮筏检测方法。利用极化和散射特征分析确定检测养殖浮筏的优势特征,在以数据为驱动的深度学习方法中加入可解释的目标成像机理,提升深度学习算法的透明度,降低模型对训练数据的过度依赖。在此基础上,利用深度可分离卷积和残差单元结构降低编码解码模型冗余参数,提高模型效率。试验结果表明,近岸养殖浮筏目标成像机制分析得到的HV极化特征包含的信息量最丰富,HV极化在LU-Net模型中的检测精度(IoU=0.83)优于HH和VV极化的检测精度,与多极化特征(HH+HV+VV:IoU=0.84)和多散射特征(Odd+Dbl+Vol:IoU=0.84)的检测精度相当,且模型训练更加容易收敛。