耿曉蒙

河北師范大學(xué)地理科學(xué)學(xué)院,河北 石家莊 050024

合成孔徑雷達(dá)(synthetic aperture radar,SAR)具有分辨率高、不受天氣影響等優(yōu)勢,為近岸船舶和海水養(yǎng)殖的準(zhǔn)確檢測提供了持續(xù)觀測數(shù)據(jù)。但是近岸陸地和海洋背景復(fù)雜,SAR影像中經(jīng)常存在易與船舶目標(biāo)混淆的虛警目標(biāo),如近岸陸地背景中的建筑物、港口人工設(shè)施、堤壩、跨海橋梁,以及海洋場景中的燈塔、小島、礁石(巖石)和方位向模糊引起的“鬼影”。近岸復(fù)雜潮汐和地形引起養(yǎng)殖區(qū)水位動態(tài)波動較大,導(dǎo)致SAR影像中養(yǎng)殖浮筏比船舶散射機(jī)制更復(fù)雜,難以準(zhǔn)確檢測。因此,如何利用深度學(xué)習(xí)技術(shù),提高SAR影像在近岸復(fù)雜場景中的目標(biāo)檢測能力已成為一個(gè)亟需解決的難點(diǎn)。因此,論文在歸納和總結(jié)現(xiàn)階段利用深度學(xué)習(xí)的SAR影像近岸目標(biāo)檢測方法基礎(chǔ)上,以Sentinel-1和高分三號(GF-3)影像為主要支撐數(shù)據(jù),利用SAR影像地物統(tǒng)計(jì)分布特性,地物散射信息,結(jié)合深度學(xué)習(xí)方法對近岸復(fù)雜場景中的船舶和養(yǎng)殖浮筏檢測開展了深入分析與研究。研究內(nèi)容主要包括:

(1) 針對目前深度學(xué)習(xí)船舶檢測模型復(fù)雜度高、可解釋性差、受近岸復(fù)雜背景影響檢測結(jié)果虛警高的問題,論文提出了一種基于輕量化網(wǎng)絡(luò)的兩階段船舶檢測方法框架。該框架基于近岸背景抑制濾波器和形態(tài)學(xué)處理后的雷達(dá)數(shù)據(jù)統(tǒng)計(jì)分布特性,對船舶和虛警目標(biāo)進(jìn)行初篩生成候選目標(biāo),將復(fù)雜的模型網(wǎng)絡(luò)優(yōu)化為輕量化兩層卷積網(wǎng)絡(luò),依靠淺層網(wǎng)絡(luò)捕獲不同尺度船舶和虛警目標(biāo)的細(xì)節(jié)特征,更加有效地區(qū)分虛警目標(biāo)和船舶目標(biāo),從而降低船舶檢測的虛警率。同時(shí),利用Grad-CAM方法加強(qiáng)了檢測模型的可解釋性。試驗(yàn)結(jié)果表明,VH極化比VV極化更能夠抑制海洋海況背景和方位模糊,本文提出的基于輕量化網(wǎng)絡(luò)的兩階段近岸船舶檢測方法降低了近岸陸地、島礁導(dǎo)致的虛警率,適用于不同尺度船舶檢測。

(2) 針對近岸復(fù)雜場景深度學(xué)習(xí)船舶檢測方法過度依賴大量標(biāo)注樣本的問題,論文提出了一種基于少量樣本主動學(xué)習(xí)的兩階段近岸船舶檢測方法研究。通過主動學(xué)習(xí)機(jī)制優(yōu)化深度學(xué)習(xí)模型,并在主干網(wǎng)絡(luò)模塊基礎(chǔ)上增加了損失預(yù)測模塊,串聯(lián)主干網(wǎng)絡(luò)模塊和損失預(yù)測模塊的損失進(jìn)行聯(lián)合學(xué)習(xí);利用信息熵挖掘信息量最豐富且不確定性最高的樣本,實(shí)現(xiàn)無標(biāo)注樣本的自動標(biāo)注。試驗(yàn)結(jié)果證明,該方法在保持較高近岸船舶檢測精度的情況下,能夠自動標(biāo)注樣本,降低了船舶檢測所需人工標(biāo)注樣本的成本和時(shí)間,實(shí)現(xiàn)了少量標(biāo)注樣本條件下的近岸復(fù)雜場景船舶檢測。在近岸復(fù)雜區(qū)域,該方法能夠有效降低標(biāo)注樣本的數(shù)量,僅標(biāo)注50個(gè)樣本可以實(shí)現(xiàn)F1值為0.96的近岸船舶檢測精度,并具備近岸不同尺度船舶的檢測能力。

(3) 針對近岸復(fù)雜潮汐環(huán)境下深度學(xué)習(xí)養(yǎng)殖浮筏檢測方法忽略目標(biāo)成像機(jī)制,高度依賴訓(xùn)練數(shù)據(jù)的問題,論文提出了一種顧及極化特性的編碼解碼網(wǎng)絡(luò)近岸養(yǎng)殖浮筏檢測方法。利用極化和散射特征分析確定檢測養(yǎng)殖浮筏的優(yōu)勢特征,在以數(shù)據(jù)為驅(qū)動的深度學(xué)習(xí)方法中加入可解釋的目標(biāo)成像機(jī)理,提升深度學(xué)習(xí)算法的透明度,降低模型對訓(xùn)練數(shù)據(jù)的過度依賴。在此基礎(chǔ)上,利用深度可分離卷積和殘差單元結(jié)構(gòu)降低編碼解碼模型冗余參數(shù),提高模型效率。試驗(yàn)結(jié)果表明,近岸養(yǎng)殖浮筏目標(biāo)成像機(jī)制分析得到的HV極化特征包含的信息量最豐富,HV極化在LU-Net模型中的檢測精度(IoU=0.83)優(yōu)于HH和VV極化的檢測精度,與多極化特征(HH+HV+VV:IoU=0.84)和多散射特征(Odd+Dbl+Vol:IoU=0.84)的檢測精度相當(dāng),且模型訓(xùn)練更加容易收斂。