張佳欣 王華力

(陸軍工程大學(xué)通信工程學(xué)院, 江蘇南京 210007)

1 引言

海上艦船目標(biāo)的檢測(cè)與識(shí)別是海洋監(jiān)測(cè)的重要任務(wù)之一。合成孔徑雷達(dá)(Synthetic Aperture Radar, SAR)[1]是一種使用主動(dòng)式微波遙感技術(shù)的傳感器,相比于光學(xué)傳感器,具有全天時(shí)、全天候、多角度、遠(yuǎn)距離監(jiān)測(cè)的能力,在海洋救援、海洋執(zhí)法等民用領(lǐng)域,以及海洋實(shí)時(shí)監(jiān)視檢測(cè)等軍事領(lǐng)域都有廣泛應(yīng)用空間[2],同時(shí)也是海上艦船目標(biāo)檢測(cè)和識(shí)別的重要技術(shù)。

SAR艦船目標(biāo)檢測(cè)通常根據(jù)場(chǎng)景的不同分為兩類:近岸艦船目標(biāo)檢測(cè)和遠(yuǎn)海艦船目標(biāo)檢測(cè)。遠(yuǎn)海場(chǎng)景背景單一,檢測(cè)難度相對(duì)較低,而近海場(chǎng)景大多處于海陸分割的環(huán)境中,背景相對(duì)復(fù)雜,艦船目標(biāo)具有多尺度、多形態(tài)、排列緊密的特點(diǎn),目標(biāo)的檢測(cè)和識(shí)別更加困難。傳統(tǒng)的艦船目標(biāo)檢測(cè)算法如CFAR(Constant False-Alarm Rate)[3]基于對(duì)比度信息的統(tǒng)計(jì)模型,根據(jù)背景雜波的統(tǒng)計(jì)特性選取閾值來實(shí)現(xiàn)目標(biāo)檢測(cè),但CFAR存在建模過程復(fù)雜,檢測(cè)耗時(shí)較長(zhǎng)等問題,且一般只適用于純海面類的特定場(chǎng)景,在復(fù)雜的海陸背景環(huán)境下,艦船目標(biāo)檢測(cè)的研究進(jìn)展緩慢。

近年來,學(xué)者們開始嘗試將基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法應(yīng)用于SAR艦船的目標(biāo)檢測(cè)[4-5]?；谏疃葘W(xué)習(xí)的目標(biāo)檢測(cè)分為兩大類:基于候選區(qū)域的目標(biāo)檢測(cè)方法,如R-CNN[6-9]系列和基于回歸的目標(biāo)檢測(cè)方法,如SSD[10]、YOLO[11-14]系列和RetinaNet[15]等。文獻(xiàn)[16]中將Fast RCNN應(yīng)用于SAR圖像艦船目標(biāo)檢測(cè)中,提出基于生成對(duì)抗網(wǎng)絡(luò)和線上難例挖掘的SAR圖像艦船目標(biāo)檢測(cè)方法; 文獻(xiàn)[17]將SSD檢測(cè)算法應(yīng)用到SAR圖像艦船目標(biāo)檢測(cè)當(dāng)中,針對(duì)SSD檢測(cè)算法在SAR圖像艦船檢測(cè)中存在魯棒性差、對(duì)小目標(biāo)檢測(cè)效果不佳的問題,將融合上下文信息和遷移模型學(xué)習(xí)技術(shù)應(yīng)用于SSD算法檢測(cè)中;Hu[18]等針對(duì)復(fù)雜目標(biāo)背景下艦船目標(biāo)檢測(cè)難題,重新設(shè)計(jì)殘差網(wǎng)絡(luò)單元,提出了改進(jìn)特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)的方法,并引入平衡因子優(yōu)化損失函數(shù)中的小目標(biāo)權(quán)重,并可實(shí)現(xiàn)實(shí)時(shí)SAR目標(biāo)檢測(cè)問題;文獻(xiàn)[19]提出了一種結(jié)合場(chǎng)景分類的分層漸進(jìn)式近岸區(qū)域SAR艦船快速目標(biāo)檢測(cè)方法SC-SSD,通過場(chǎng)景分類階段和目標(biāo)檢測(cè)兩個(gè)階段在保持較高的檢測(cè)精度的同時(shí),具有明顯更快的檢測(cè)速度。

為了更好實(shí)現(xiàn)SAR圖像艦船目標(biāo)的實(shí)時(shí)檢測(cè),本文選取了兼顧速度和精準(zhǔn)度的YOLOv3算法。不同于以前的研究者從改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)的角度優(yōu)化算法,本文考慮到Y(jié)OLOv3算法在不同SAR數(shù)據(jù)集上的適用性,從網(wǎng)絡(luò)訓(xùn)練策略角度來優(yōu)化算法,增強(qiáng)算法的魯棒性和檢測(cè)的精準(zhǔn)度。一方面,針對(duì)YOLOv3算法訓(xùn)練過程中正負(fù)樣本選擇方法進(jìn)行了改進(jìn),本文在YOLOv3基礎(chǔ)上結(jié)合了ATSS正負(fù)樣本分配策略[20],ATSS是一種根據(jù)預(yù)測(cè)目標(biāo)的統(tǒng)計(jì)特征動(dòng)態(tài)選擇正負(fù)樣本方法,通過選擇出更優(yōu)質(zhì)的訓(xùn)練樣本優(yōu)化網(wǎng)絡(luò)的訓(xùn)練過程。另一方面,通過對(duì)YOLOv3不同檢測(cè)層上檢測(cè)到的目標(biāo)框分布的分析,本文設(shè)計(jì)了一個(gè)基于檢測(cè)層的錨框超參數(shù)優(yōu)化策略,細(xì)化了錨框的搜索空間,提高了檢測(cè)效果。

2 算法介紹

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv3算法的關(guān)鍵點(diǎn)是使用Darknet-53特征提取網(wǎng)絡(luò)和多尺度的FPN(Feature Pyramid Networks)架構(gòu)[21]。Darknet-53是一個(gè)殘差模型,因?yàn)榘?3個(gè)卷積層,所以稱為Darknet-53,網(wǎng)絡(luò)使用了殘差單元,從而構(gòu)建更深的網(wǎng)絡(luò)。另外一點(diǎn)是,YOLOv3使用FPN架構(gòu)來實(shí)現(xiàn)多尺度檢測(cè)。 FPN通過自上而下的路徑和水平連接增強(qiáng)了基礎(chǔ)特征的語義表示,并在三個(gè)不同尺度的特征層上實(shí)現(xiàn)了預(yù)測(cè)。另外,YOLOv3是基于錨框的目標(biāo)檢測(cè)算法,它通過聚類分析數(shù)據(jù)集,設(shè)置了9個(gè)錨框,把這9個(gè)錨框按照“越大的錨框分配給尺度越小的特征圖”的原則平均分配在三個(gè)尺度的特征層上,這些錨框作為預(yù)測(cè)階段目標(biāo)所能匹配的候選框參與網(wǎng)絡(luò)的訓(xùn)練過程。YOLOv3整體的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 YOLOv3 network structure

2.2 損失函數(shù)

本文在YOLOv3計(jì)算目標(biāo)檢測(cè)的邊框回歸的損失時(shí),引入了GIOU損失函數(shù)[22]。原版YOLOv3采用的是獨(dú)立的計(jì)算出邊框中心坐標(biāo)和長(zhǎng)寬4個(gè)點(diǎn)的損失最終相加得到邊框損失,但實(shí)際這4點(diǎn)是有一定相關(guān)性的,其次實(shí)際評(píng)價(jià)邊框檢測(cè)的指標(biāo)是使用IOU(IOU為兩個(gè)框的交并比)這兩者是不等價(jià)的,故在本文中采用了以GIOU作為邊框損失函數(shù)的YOLOv3。GIOU的計(jì)算很簡(jiǎn)單,對(duì)于兩個(gè)邊界框A、B,可以算出其最小凸集(包圍A、B的最小包圍框)C。有了最小凸集,就可以計(jì)算GIOU,計(jì)算如公式(1)

(1)

GIOU損失函數(shù)為:

LGIOU=1-GIOU

(2)

在YOLOv3中引入GIOU損失作為邊界框的損失后的損失函數(shù)如式(3)所示:

(3)

3 算法改進(jìn)

3.1 基于ATSS算法的正負(fù)樣本分配策略

YOLOv3算法中采用基于IOU的策略來定義正負(fù)樣本。IOU即兩個(gè)邊界框的交并比,在目標(biāo)檢測(cè)算法中通常作為衡量?jī)蓚€(gè)邊界框相似程度的重要依據(jù)。YOLOv3算法先計(jì)算目標(biāo)對(duì)象和多個(gè)候選框的IOU,選擇最大IOU值對(duì)應(yīng)的候選框作為正樣本,再設(shè)置IOU閾值,對(duì)于IOU小于閾值的候選框全部作為負(fù)樣本,其他樣本不參與loss的計(jì)算。以最大IOU值的候選框作為正樣本的方法,負(fù)樣本遠(yuǎn)遠(yuǎn)多于正樣本,一定程度上造成了正負(fù)樣本不均衡的問題,從而影響模型的訓(xùn)練效果。為了解決YOLOv3中正負(fù)樣本不均衡的問題,有研究者設(shè)定了IOU閾值來劃分正負(fù)樣本,大于IOU閾值作為正樣本,小于IOU閾值的作為負(fù)樣本,雖然基于IOU閾值的方法對(duì)于平衡正負(fù)樣本具有一定的作用,但I(xiàn)OU閾值作為一個(gè)敏感的超參數(shù)一旦確定所有樣本都將按照這一固定的標(biāo)準(zhǔn)定義正負(fù)樣本,失去了目標(biāo)框本身的隨機(jī)性。特別是較大的目標(biāo)相比于小目標(biāo)往往能匹配到更多的正樣本,難以維持不同大小目標(biāo)樣本選擇的均衡。

文獻(xiàn)[20]中研究了基于錨框的目標(biāo)檢測(cè)算法和非錨框的目標(biāo)檢測(cè)算法在正負(fù)樣本定義上的差異,提出了ATSS的動(dòng)態(tài)正負(fù)樣本分配策略,ATSS算法在候選框選取階段對(duì)每個(gè)目標(biāo)框設(shè)定獨(dú)立的IOU閾值,為了使IOU閾值的設(shè)定更好的度量正負(fù)樣本分配的界限,算法中根據(jù)候選錨框的統(tǒng)計(jì)特性來定義IOU閾值。本文在YOLOv3正負(fù)樣本定義上使用了ATSS算法的思想,對(duì)于每個(gè)目標(biāo)以候選框和真實(shí)框之間IOU的均值與方差之和動(dòng)態(tài)調(diào)整IOU閾值,從而改善YOLOv3中樣本選擇存在的正負(fù)樣本不均衡和不同尺度大小目標(biāo)樣本的不均衡等問題。具體算法的流程為:

(1)對(duì)于圖像上的每一個(gè)真實(shí)目標(biāo)框,首先選擇對(duì)應(yīng)的候選正樣本。YOLOv3把圖分為S×S(三個(gè)特征層,輸入416×416的圖像,S×S分別為13×13、26×26、52×52)的格子,每個(gè)格子都設(shè)有3個(gè)不同尺寸大小的錨框。對(duì)于每一個(gè)目標(biāo),在不同的特征層分別選取目標(biāo)中心點(diǎn)所在格子的3個(gè)錨框作為候選正樣本,3個(gè)不同大小的特征層總共選擇9個(gè)錨框作為候選正樣本,對(duì)于目標(biāo)g其候選框記為Cg。

(2)計(jì)算候選框Cg和真實(shí)框g之間的IOU,記為Dg:

Dg=IOU(Cg,g)

(4)

計(jì)算Dg的均值,記為mg:

mg=Mean(Dg)

(5)

計(jì)算Dg的方差,記為vg:

vg=Var(Dg)

(6)

得到IOU的均值mg和方差vg,通過這些數(shù)據(jù)統(tǒng)計(jì),設(shè)定目標(biāo)的IOU閾值,記為tg:

tg=mg+vg

(7)

(3)選擇和真實(shí)框的IOU大于IOU閾值tg的候選框作為最終的正樣本,其余作為負(fù)樣本,即對(duì)于c∈Cg,滿足IOU(c,g)≥tg的c作為正樣本,其余作為負(fù)樣本。

在ATSS原算法中采用了候選框和目標(biāo)框IOU的均值與標(biāo)準(zhǔn)差之和作為目標(biāo)的IOU閾值,但考慮到當(dāng)IOU數(shù)據(jù)分布極不穩(wěn)定等極端情況時(shí),IOU的標(biāo)準(zhǔn)差會(huì)相應(yīng)變大從而影響均值在IOU閾值設(shè)定中的作用,導(dǎo)致閾值的無效化,本文用方差代替標(biāo)準(zhǔn)差作為IOU閾值的另一個(gè)度量因素,方差在數(shù)值上作為標(biāo)準(zhǔn)差的平方,既能保留標(biāo)準(zhǔn)差所代表的數(shù)據(jù)的離散狀況,又能把數(shù)值保持在一個(gè)可控的范圍,在保證IOU閾值有效的同時(shí)增強(qiáng)了其穩(wěn)定性。本文在實(shí)驗(yàn)部分別以IOU的中位數(shù)、均值、均值加標(biāo)準(zhǔn)差、均值加方差作為IOU的閾值進(jìn)行了對(duì)比實(shí)驗(yàn),驗(yàn)證了改進(jìn)算法的有效性。

對(duì)于決定IOU閾值的兩個(gè)因素,ATSS算法從以下兩個(gè)方面解釋其意義:一方面,IOU的均值體現(xiàn)了目標(biāo)候選框整體的質(zhì)量水平。一個(gè)高的均值代表著候選框的整體質(zhì)量較高,應(yīng)該提高標(biāo)準(zhǔn),有一個(gè)更高的IOU閾值;一個(gè)低的均值代表著大多數(shù)的候選框質(zhì)量較低,應(yīng)該降低標(biāo)準(zhǔn),IOU閾值更低。另一方面IOU的方差用來度量FPN的哪一層適合檢測(cè)該目標(biāo)。一個(gè)高的方差值代表著只有某一個(gè)或少數(shù)幾個(gè)層適合檢測(cè)該目標(biāo),在均值上加上高的方差值來獲得一個(gè)高的閾值從而僅從這一層挑選正樣本;一個(gè)低的方差值代表著有多個(gè)特征層適合檢測(cè)該目標(biāo),在均值上加上一個(gè)低的方差值降低其標(biāo)準(zhǔn),從多層選擇正樣本。改進(jìn)的正負(fù)樣本定義方法以均值和方差之和作為IOU閾值,根據(jù)對(duì)象的統(tǒng)計(jì)特征,從適當(dāng)?shù)慕鹱炙訛槊總€(gè)目標(biāo)自適應(yīng)地選擇適當(dāng)?shù)恼?fù)樣本。對(duì)于不同尺度大小、不同長(zhǎng)寬比例的目標(biāo),應(yīng)用ATSS的YOLOv3算法都會(huì)根據(jù)目標(biāo)本身的特性選擇正負(fù)樣本,維持了不同目標(biāo)間的樣本選擇的平衡。另外,改進(jìn)的YOLOv3算法中沒有增加新的參數(shù),不存在因引入超參數(shù)而對(duì)模型訓(xùn)練產(chǎn)生影響的問題。

3.2 錨框超參數(shù)優(yōu)化策略

YOLOv3是基于錨框的單階段目標(biāo)檢測(cè)算法,和其他基于錨框的目標(biāo)檢測(cè)算法一樣,YOLOv3算法在圖像上設(shè)置密集的錨框,并通過訓(xùn)練網(wǎng)絡(luò)來預(yù)測(cè)錨框的分類置信度和位置偏移。其中,錨框的超參數(shù)作為算法初始的設(shè)置是影響YOLOv3算法訓(xùn)練效果的重要因素。YOLOv3算法通常使用k-means算法對(duì)數(shù)據(jù)集樣本的長(zhǎng)寬聚類來得到9個(gè)錨框超參數(shù),再根據(jù)“越大的錨框分配給尺度越小的特征圖”的原則分配到三個(gè)特征層上,但這種由簡(jiǎn)單聚類和分配得到超參數(shù)可能不是最適合每個(gè)檢測(cè)層的。為了近一步將YOLOv3算法應(yīng)用與SAR數(shù)據(jù)集檢測(cè)目標(biāo)檢測(cè),本文研究了YOLOv3算法中錨框超參數(shù)的優(yōu)化問題。

本文提取了YOLOv3不同檢測(cè)層上檢測(cè)到的目標(biāo)框來探究不同特征層和錨框分配的關(guān)系,SSDD數(shù)據(jù)集[16]在三個(gè)不同大小特征層上目標(biāo)框數(shù)據(jù)分布如圖2所示。

圖2 SSDD數(shù)據(jù)集在三個(gè)特征層上目標(biāo)框分布Fig.2 Target box distribution of SSDD dataset on three feature layers

由圖2可以看出,總體上講,隨著自上而下的特征層的變大,特征層所能檢測(cè)到的目標(biāo)框的大小越來越集中于更小的目標(biāo),同時(shí)能檢測(cè)到的目標(biāo)尺度的范圍也逐漸集中。雖然保持著上述特點(diǎn),但每個(gè)層能檢測(cè)的目標(biāo)框的大小很大部分都集中在0～1000和1000～2000范圍內(nèi),也就是說各層所能檢測(cè)到的目標(biāo)大小有很大部分的范圍重疊。

因此,單一的按照“越大的錨框分配給尺度越小的特征圖”的原則分配錨框可能不是最優(yōu)的方法,為了使錨框的設(shè)定能夠更貼近每層檢測(cè)層的特點(diǎn),本文設(shè)計(jì)了新的錨框超參數(shù)優(yōu)化策略。整體的優(yōu)化過程是基于k-median++聚類[23]算法的,k-median++是針對(duì)k-means++的改進(jìn)算法,主要的改進(jìn)是用樣本的中位數(shù)代替均值作為產(chǎn)生新的聚類中心依據(jù),減輕了噪聲樣本對(duì)聚類中心選擇的影響,提高了算法魯棒性。對(duì)于k-median++算法中距離的選擇,本文采取了YOLO作者提出的基于IOU計(jì)算的距離,其公式為:

d(box,centroid)=1-IOU(box,centroid)

(8)

其中,centroid表示聚類中心,box表示樣本,IOU為聚類中心的邊界框和樣本的邊界框的交并比。d越小,則樣本邊界框和聚類中心邊界框的IOU越大,即相似度越高。

錨框超參數(shù)優(yōu)化策略的具體流程為:(1)使用k-median++算法對(duì)錨框超參數(shù)進(jìn)行初始化,在初始錨框下使用YOLOv3算法對(duì)模型進(jìn)行訓(xùn)練至網(wǎng)絡(luò)收斂;(2)在收斂模型的基礎(chǔ)上,通過錨框匹配階段分別提取FPN三個(gè)檢測(cè)層匹配到的目標(biāo)對(duì)象。(3)分別對(duì)三個(gè)不同大小檢測(cè)層匹配到的目標(biāo)進(jìn)行聚類,得到的聚類中心作為新的錨框參數(shù)對(duì)應(yīng)設(shè)置在三個(gè)不同大小的檢測(cè)層上,完成超參數(shù)的優(yōu)化。圖3中對(duì)比了錨框優(yōu)化前后的錨框和目標(biāo)框的分布。其中圖(a)、(c)、(e)為各層優(yōu)化前的目標(biāo)框和錨框的分布,圖(b)、(d)、( f )為各層優(yōu)化后的目標(biāo)框和錨框的分布。其中,黑色的點(diǎn)為錨框的分布,其他點(diǎn)為各層檢測(cè)到的目標(biāo)框的分布,從各層錨框優(yōu)化的前后對(duì)比可以發(fā)現(xiàn),經(jīng)過優(yōu)化后的錨框更能代表各層目標(biāo)框的分布,更適合作為目標(biāo)邊框回歸的基準(zhǔn)。

圖3 錨框優(yōu)化前后對(duì)比圖Fig.3 Comparison of anchor boxes before and after optimization

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)準(zhǔn)備

本文實(shí)驗(yàn)環(huán)境如表1所示。

表1 實(shí)驗(yàn)環(huán)境配置表

本文選擇目標(biāo)檢測(cè)常用的精準(zhǔn)率、召回率和F1值作為實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)。

(9)

(10)

(11)

公式中,TP為把正類預(yù)測(cè)為正類的樣本,FP負(fù)類預(yù)測(cè)為正類的樣本,FN為正類預(yù)測(cè)為負(fù)類的樣本。

實(shí)驗(yàn)采用了海軍航空大學(xué)李健偉教授等公開的SSDD數(shù)據(jù)集[16]和中國(guó)科學(xué)院空天信息研究院數(shù)字地球重點(diǎn)實(shí)驗(yàn)室研究員王超團(tuán)隊(duì)公開的SAR圖像船舶檢測(cè)數(shù)據(jù)集[4](SAR-Ship-Dataset)。SSDD數(shù)據(jù)集共有1160張圖像和2456艦船目標(biāo),每個(gè)圖像平均有2.12艘船,包括不同分辨率和不同場(chǎng)景的圖像。SAR-Ship-Dataset以國(guó)產(chǎn)的高分3號(hào)SAR數(shù)據(jù)和Sentinel-1 SAR數(shù)據(jù)作為主要數(shù)據(jù)源,共使用高分3號(hào)102個(gè)場(chǎng)景和Sentinel-1 SAR圖像108個(gè)場(chǎng)景來構(gòu)造高分辨率SAR艦船數(shù)據(jù)集。目前,深度學(xué)習(xí)樣本庫(kù)包含43819個(gè)船舶切片,從中隨機(jī)選擇10955張不同場(chǎng)景的圖片進(jìn)行實(shí)驗(yàn)。

4.2 實(shí)驗(yàn)過程

實(shí)驗(yàn)按照7∶2∶1劃分訓(xùn)練集、測(cè)試集和驗(yàn)證集。訓(xùn)練時(shí)所有實(shí)驗(yàn)對(duì)輸入的圖片均采用Mosaic方法進(jìn)行數(shù)據(jù)增強(qiáng),豐富樣本數(shù)據(jù),提高網(wǎng)絡(luò)的泛化能力。網(wǎng)絡(luò)設(shè)置每一個(gè)batch中包含8張圖像,選用Adam優(yōu)化器,初始學(xué)習(xí)率為0.01。訓(xùn)練采用遷移學(xué)習(xí),在YOLOv3的預(yù)訓(xùn)練模型上進(jìn)行,設(shè)置epoch為300,訓(xùn)練過程中會(huì)保存最后一次迭代的模型和最優(yōu)的模型。

4.2.1正負(fù)樣本分配方法對(duì)比實(shí)驗(yàn)

為了驗(yàn)證基于ATSS正負(fù)樣本分配方法的YOLOv3在SAR圖像上的目標(biāo)檢測(cè)效果,本文設(shè)計(jì)了基于IOU閾值的YOLOv3算法和基于ATSS的YOLOv3算法的對(duì)比實(shí)驗(yàn),這項(xiàng)實(shí)驗(yàn)采用了SSDD數(shù)據(jù)集,以F1值作為評(píng)價(jià)標(biāo)準(zhǔn),具體實(shí)驗(yàn)結(jié)果如表2所示。

表2 不同正負(fù)樣本分配方法下的實(shí)驗(yàn)結(jié)果

從表2的實(shí)驗(yàn)結(jié)果可以看出,基于IOU閾值的YOLOv3算法在檢測(cè)性能上受到閾值這一超參數(shù)的影響很大,而本文基于ATSS的思想的算法中,根據(jù)目標(biāo)與候選框IOU的均值和方差之和作為IOU閾值,在不用考慮超參數(shù)影響下達(dá)到了最優(yōu)的結(jié)果,證明了其有效性和優(yōu)越性。另外,在基于ATSS的方法中,以多種IOU的統(tǒng)計(jì)特性作為IOU閾值,經(jīng)過對(duì)比實(shí)驗(yàn)可以看出,以均值與標(biāo)準(zhǔn)差之和定義IOU閾值的結(jié)果較差,分析其原因,可能是由于在IOU標(biāo)準(zhǔn)差較大時(shí),在均值上加上較大的標(biāo)準(zhǔn)差導(dǎo)致IOU閾值過高從而影響正樣本的選擇,而方差作為標(biāo)準(zhǔn)差的平方,在數(shù)值上通常小一個(gè)量級(jí),緩解了標(biāo)準(zhǔn)差過大導(dǎo)致閾值失效的問題,故以均值與方差之和定義IOU閾值得到了最優(yōu)的結(jié)果。

4.2.2不同數(shù)據(jù)集不同場(chǎng)景下的艦船檢測(cè)結(jié)果與分析

本文分別在SSDD數(shù)據(jù)集和SAR-Ship-Dataset數(shù)據(jù)集上設(shè)計(jì)不同改進(jìn)算法下的實(shí)驗(yàn),并分別驗(yàn)證近岸遠(yuǎn)海不同場(chǎng)景下的艦船目標(biāo)檢測(cè)效果。實(shí)驗(yàn)結(jié)果如表3所示。

表3 不同數(shù)據(jù)集不同場(chǎng)景實(shí)驗(yàn)結(jié)果

由表3可以看出,改進(jìn)后的YOLOv3模型在SSDD數(shù)據(jù)集和SAR-Ship-Dataset數(shù)據(jù)集不同場(chǎng)景下的檢測(cè)效果都得到了提升,遠(yuǎn)離陸地的海面場(chǎng)景中檢測(cè)的F1值都達(dá)到了98%和95.8%的較高水平,而對(duì)于背景相對(duì)復(fù)雜的近岸場(chǎng)景,檢測(cè)的精確率和召回率都有明顯的提升,F1值也分別提升了2.9%和2.4%。

進(jìn)一步分析可以看出,錨框優(yōu)化方法和ATSS正負(fù)樣本定義方法均在算法效果的提升上都起到了一定的作用。為了研究錨框優(yōu)化的作用,實(shí)驗(yàn)繪制了錨框優(yōu)化前后損失函數(shù)隨迭代次數(shù)的變化曲線,如圖4所示,其中虛線為原算法損失函數(shù)變化曲線,實(shí)線為改進(jìn)后的算法損失函數(shù)變化曲線,可以看出,錨框優(yōu)化后算法的損失函數(shù)相比于之前總體上下降了0.2,同時(shí)收斂速度變快,結(jié)合表3中的實(shí)驗(yàn)結(jié)果得出,錨框優(yōu)化方法加快了網(wǎng)絡(luò)的收斂,平衡了檢測(cè)的精準(zhǔn)率和召回率,使檢測(cè)效果進(jìn)一步提升。

圖4 損失隨迭代次數(shù)的變化曲線Fig.4 Variation curve of loss with iteration times

圖5為YOLOv3算法在兩個(gè)不同數(shù)據(jù)集上的檢測(cè)效果,其中上一行為真實(shí)框,下一行為預(yù)測(cè)框。由圖5可以看出對(duì)于兩個(gè)不同的數(shù)據(jù)集上的目標(biāo)檢測(cè)效果都較好,證明算法具有很好的泛化性和適應(yīng)性,其中對(duì)于復(fù)雜場(chǎng)景下尺度不一、形態(tài)多變的目標(biāo),預(yù)測(cè)框和真實(shí)框都較為吻合,進(jìn)一步證明了改進(jìn)算法的有效性,可以使YOLOv3算法更好的應(yīng)用于SAR目標(biāo)檢測(cè)數(shù)據(jù)集上。

圖5 改進(jìn)模型檢測(cè)效果Fig.5 Detection results of improved model

4.2.3不同目標(biāo)檢測(cè)方法比較

為了進(jìn)一步驗(yàn)證本文算法的有效性,本文選取了Faster RCNN、SSD、CenterNet方法在更大場(chǎng)景SAR圖像數(shù)據(jù)集AIR-SARShip-1.0上和本文算法做了對(duì)比實(shí)驗(yàn)。AIR-SARShip-1.0數(shù)據(jù)集包含 31 景高分三號(hào)的多場(chǎng)景SAR 圖像,其中場(chǎng)景類型主要涵蓋了港口、島礁和不同級(jí)別海況的海面,實(shí)驗(yàn)采用滑窗把圖像裁剪成500×500的子圖,按照7∶2∶1劃分訓(xùn)練集測(cè)試集和驗(yàn)證集。其實(shí)驗(yàn)結(jié)果如表4所示,其中mAP為數(shù)據(jù)集驗(yàn)證集上檢測(cè)的平均精準(zhǔn)度,time為檢測(cè)耗時(shí)。

表4 不同算法對(duì)比結(jié)果

從實(shí)驗(yàn)結(jié)果對(duì)比可以看出,本文算法在艦船檢測(cè)平均精準(zhǔn)度這一指標(biāo)中獲得了最好的結(jié)果,在檢測(cè)時(shí)間上,由于本文算法沒有增加網(wǎng)絡(luò)結(jié)構(gòu)上的參數(shù)量,模型的復(fù)雜度沒有增加,滿足原YOLOv3算法的實(shí)時(shí)檢測(cè)特點(diǎn),獲得較快的檢測(cè)速度,從平均精準(zhǔn)度和檢測(cè)時(shí)間兩個(gè)標(biāo)準(zhǔn)上證明了算法的優(yōu)越性。

圖6為本文算法在3000×3000的較大場(chǎng)景圖像下的檢測(cè)效果,其中中間圖為真實(shí)框的結(jié)果,兩邊的圖為檢測(cè)的結(jié)果。從放大區(qū)域的檢測(cè)對(duì)比可以看出,對(duì)于海面上的較密集分布的目標(biāo)預(yù)測(cè)框和真實(shí)框較為吻合,對(duì)于近岸密集排列的目標(biāo),漏檢和錯(cuò)檢也很少,說明大場(chǎng)景下艦船目標(biāo)仍有較好的檢測(cè)效果,進(jìn)一步證明了改進(jìn)算法的有效性。

圖6 AIR-SARShip-1.0數(shù)據(jù)集圖像檢測(cè)效果Fig.6 Image detection results of AIR-SARShip-1.0 data set

5 結(jié)論

本文在YOLOv3的基礎(chǔ)上加入了ATSS正負(fù)樣本定義方法和錨框優(yōu)化方法,在不改變模型網(wǎng)絡(luò)框架的情況下從模型訓(xùn)練優(yōu)化的方向改進(jìn),不增加模型復(fù)雜度和檢測(cè)時(shí)間的同時(shí)提高模型在SAR圖像艦船目標(biāo)檢測(cè)上的檢測(cè)效果,并在公開數(shù)據(jù)集上實(shí)驗(yàn)驗(yàn)證,對(duì)于近岸和遠(yuǎn)海不同場(chǎng)景下的目標(biāo)檢測(cè)虛警率和漏檢率都明顯下降,說明了本文改進(jìn)算法的有效性。但近岸復(fù)雜場(chǎng)景下的艦船目標(biāo)的檢測(cè)效果仍然有很大的提升空間,這也是需要進(jìn)一步研究的方向。另外,由于本算法沒有網(wǎng)絡(luò)結(jié)構(gòu)上的改變,可以在此本文算法的基礎(chǔ)上改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行下一步的優(yōu)化。