徐昌貴 張 波* 高建威 吳 樊 張 紅 王 超

①(中國科學(xué)院空天信息創(chuàng)新研究院 北京 100094)

②(中國科學(xué)院大學(xué)資源與環(huán)境學(xué)院 北京 100049)

③(中國空間技術(shù)研究院衛(wèi)星應(yīng)用總體部 北京 100094)

1 引言

合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)能夠全天候?qū)崿F(xiàn)大場景數(shù)據(jù)獲取[1]，已廣泛應(yīng)用于海洋資源監(jiān)測、非法捕魚、船舶目標(biāo)檢測等。近年來，目標(biāo)檢測領(lǐng)域取得了長足進展，相比于人工設(shè)計特征的傳統(tǒng)目標(biāo)檢測算法，神經(jīng)網(wǎng)絡(luò)能夠在大量標(biāo)注數(shù)據(jù)集驅(qū)動下自動學(xué)習(xí)適用于目標(biāo)檢測的特征，取得了優(yōu)于傳統(tǒng)算法的檢測性能，表現(xiàn)出巨大的應(yīng)用潛力。

近年來，研究者已做大量研究工作表明深度學(xué)習(xí)在SAR船舶目標(biāo)檢測中的適用性[2–10]，這些網(wǎng)絡(luò)使用預(yù)設(shè)錨框與船舶樣本邊界框的交并比來搜索包含目標(biāo)的潛在區(qū)域，并通過網(wǎng)絡(luò)自學(xué)習(xí)錨框參數(shù)偏移量來更好地擬合目標(biāo)邊界框，其結(jié)果輸出的邊界框依賴錨框偏移量與錨框尺寸。為了提高檢測精度，現(xiàn)有方法主要更改特征提取結(jié)構(gòu)[4,5,8,10]或者添加注意力機制模塊[2,7,9]來提高檢測精度。以上這些改進均基于預(yù)設(shè)錨框(Anchor-based)網(wǎng)絡(luò)，雖然能夠在一定程度上提高船舶目標(biāo)的檢測性能，但仍然存在以下兩個問題有待完善改進：(1)預(yù)設(shè)錨框參數(shù)的引入帶來了額外的調(diào)參負(fù)擔(dān)，研究者需要不斷調(diào)整錨框的尺寸、數(shù)量以及長寬比來獲取更好的結(jié)果。(2)SAR船舶在海洋中分布稀疏，在待處理的大場景影像中引入大量錨框?qū)眍~外計算資源消耗。

上述提到的預(yù)設(shè)錨框缺點使研究者開始關(guān)注并發(fā)展無錨框(Anchor-free)目標(biāo)檢測網(wǎng)絡(luò)，其典型代表為CornerNet[11],CenterNet[12],FCOS[13],FoveaBox[14]。不同于錨框檢測網(wǎng)絡(luò)，無錨框檢測網(wǎng)絡(luò)在檢測中無需預(yù)設(shè)錨框參數(shù)，在回歸階段直接預(yù)測邊界框的關(guān)鍵點位置[11,12]或者特征圖目標(biāo)點到船舶目標(biāo)邊界框的位置信息[13,14]來表示最終的邊界框。近年來，無錨框網(wǎng)絡(luò)也被成功用于SAR船舶檢測任務(wù)中[15–18]。船舶目標(biāo)具有長寬比較大、任意朝向及密集排列的特點，然而上述網(wǎng)絡(luò)無論是否采用錨框，其結(jié)果輸出框的類型均為水平框，無法適應(yīng)任意朝向下船舶外輪廓以及航向精確輸出的需求。

為了滿足以上需求，研究者通過添加額外的角度信息或者使用嵌入方位信息的4個頂點坐標(biāo)來表示旋轉(zhuǎn)框。受RRPN[19],RCNN[20]在文本檢測領(lǐng)域的啟發(fā)，研究者在光學(xué)遙感目標(biāo)檢測中發(fā)展出了SCRDet[21],R3Det[22],ReDet[23]等網(wǎng)絡(luò)。然而，不同于光學(xué)遙感影像中的檢測目標(biāo)，SAR影像中的船舶目標(biāo)具有弱的紋理特征且影像信噪比低、視覺場景較為單調(diào)，這些綜合因素導(dǎo)致直接使用光學(xué)檢測模型并不能取得良好的檢測結(jié)果。Wang等人[24]首先將角度信息回歸整合進邊界框回歸模塊中之后，一些適用于SAR船舶檢測任務(wù)的網(wǎng)絡(luò)模型被陸續(xù)提出，例如DRBox[25],DRBoxV2[26],MSARN[27],MSR2N[28],R2FA-Det[29],RRetinaNet[30]。然而以上方法均基于錨框檢測網(wǎng)絡(luò)，同時角度信息的引入使得研究者需要考慮額外平鋪不同角度的錨框來進行訓(xùn)練時的偏移量預(yù)測，這無疑又增加了新的調(diào)參負(fù)擔(dān)。

目前，在SAR任意朝向船舶檢測任務(wù)中，無錨框研究相對較少?？紤]到無錨框無需設(shè)置錨框參數(shù)的優(yōu)點以及船舶外輪廓精確輸出的需求，本文基于FCOS提出了一種名為FCOSR的檢測算法。首先，在FCOS回歸分支輸出結(jié)果中添加角度參量，將水平框結(jié)果轉(zhuǎn)化為旋轉(zhuǎn)框結(jié)果，實現(xiàn)了任意朝向下的船舶目標(biāo)檢測。其次，在檢測頭部網(wǎng)絡(luò)中使用基于可形變卷積的9點特征參與目標(biāo)置信度的預(yù)測和殘差回歸分支邊界框偏移量的預(yù)測，提升了網(wǎng)絡(luò)的感受野，使得網(wǎng)絡(luò)不再局限于點周圍的像素特征，而在目標(biāo)層次上進行預(yù)測，降低了陸上虛警并提高了邊界框的回歸精度。最后，在訓(xùn)練階段采用自適應(yīng)正負(fù)樣本選擇(Rotatable Adaptive Trainins Sample Selection,RATSS)，為每個船舶樣本分配距離目標(biāo)中心的正樣本點，使得目標(biāo)能夠在合適的特征層上獲得更多的正樣本點參與訓(xùn)練，從而實現(xiàn)整個網(wǎng)絡(luò)檢測精度的提升。

2 FCOS算法原理

FCOS[13]框架如圖1所示，通過ResNet50和FPN (Feature Pyramid Network)輸出P3,P4,P5,P6,P7融合特征圖，之后通過檢測頭部網(wǎng)絡(luò)輸出每個特征圖上各個點位置的特征向量，用于表示最后的邊界框結(jié)果。

圖1 FCOS算法的基礎(chǔ)框架圖Fig.1 The basic framework of the FCOS

FCOS不同于錨框檢測網(wǎng)絡(luò)的部分主要表現(xiàn)在以下兩點。

2.1 檢測頭部網(wǎng)絡(luò)

如圖2所示，F(xiàn)COS通過回歸分支和分類分支直接對特征圖Pi上的每個點位置(x,y)回歸一個位置向量(l,t,r,b)和C個類別目標(biāo)的置信度，如圖3(a)所示，位置向量用于表示點位置到邊界框邊界的距離，不需要與錨框共同作用，直接表示了目標(biāo)邊界框。這種預(yù)測方式去除了檢測過程中的錨框設(shè)定，帶來了更少的模型參數(shù)調(diào)整。

圖2 FCOS的檢測頭部網(wǎng)絡(luò)Fig.2 The structure of the FCOS detection head network

圖3 水平框與旋轉(zhuǎn)框的參數(shù)表示Fig.3 The parameters representation of horizontal bounding box and rotatable bounding box

FCOS引入了Center-ness用于描述特征圖中點位置到目標(biāo)中心距離的遠(yuǎn)近，將特征點的回歸真值(l*,t*,r*,b*)代入式(1)計算獲得，如圖2所示，F(xiàn)COS添加Center-ness分支預(yù)測特征圖點位置的c enterness*，通過加權(quán)邊界框損失值和目標(biāo)置信度來抑制遠(yuǎn)離目標(biāo)中心點的低質(zhì)量邊界框，實現(xiàn)檢測性能的提高。

2.2 樣本選擇方式

圖4展示了基于錨框和基于點位置的正負(fù)樣本選擇策略。如圖4(a)所示，錨框檢測網(wǎng)絡(luò)在特征圖點位置中平鋪不同長寬比、數(shù)量以及尺寸的錨框，計算錨框和樣本邊界框的交并比后通過固定的閾值篩選訓(xùn)練過程中的正負(fù)樣本。FCOS由于檢測中無需設(shè)置錨框，因此采用基于特征圖點位置的正負(fù)樣本選擇方式，如圖4(b)所示，將落入樣本范圍內(nèi)的點當(dāng)作正樣本。計算這些點位置到樣本邊界的最大距離，與不同特征層負(fù)責(zé)的最大距離范圍進行比較，將落入范圍內(nèi)的目標(biāo)當(dāng)作正樣本點，否則為負(fù)樣本點。通過這種范圍限制將不同尺寸的目標(biāo)分配給合適的特征層進行訓(xùn)練，其中FCOS設(shè)置的P3—P7層的范圍為((–1,64),(64,128),(128,256),(256,512),(512,∞))。

圖4 正負(fù)樣本選擇方式對比Fig.4 Comparison of the positive/negative sample selection methods

3 本文方法與原理

FCOSR網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示，本文在FCOS回歸分支的輸出結(jié)果中增加參數(shù)θ，將水平框轉(zhuǎn)化為旋轉(zhuǎn)框結(jié)果用于擬合任意朝向下船舶目標(biāo)的外輪廓；為了避免直接回歸邊界框帶來的精度損失，在檢測頭部網(wǎng)絡(luò)中添加基于可形變卷積的9點特征表示用于分類分支目標(biāo)置信度的預(yù)測和殘差回歸分支邊界框輸出殘差值的預(yù)測；為了進一步提高網(wǎng)絡(luò)的檢測精度，本網(wǎng)絡(luò)在訓(xùn)練階段使用RATSS算法，使得船舶樣本能夠依據(jù)自身尺寸在特定大小的特征層獲取接近目標(biāo)中心的正樣本點進行訓(xùn)練。在本節(jié)最 后給出整個網(wǎng)絡(luò)的損失函數(shù)。

圖5 FCOSR結(jié)構(gòu)圖Fig.5 The architecture of FCOSR

3.1 旋轉(zhuǎn)邊界框的參數(shù)化表示方法

本文在FCOS輸出的基礎(chǔ)上增加了角度θ的輸出，圖3(b)展示了回歸結(jié)果l,t,r,b,θ與船舶的對應(yīng)關(guān)系。將旋轉(zhuǎn)框最低點作為x軸的原點，此時θ定義為x軸逆時針旋轉(zhuǎn)觸碰到檢測框第1條邊的角度，范圍為[-90°,0)。參數(shù)b表示特征圖Pi上點位置(x,y)觸碰到該邊的垂直距離，r,t,l則逆時針標(biāo)識該點到旋轉(zhuǎn)矩形框各邊的垂直距離。然后將該點的旋轉(zhuǎn)框回歸結(jié)果使用下面公式進行轉(zhuǎn)化，并用于后續(xù)損失函數(shù)的計算：

3.2 基于可形變卷積的9點特征表示

由于FCOS網(wǎng)絡(luò)中的Center-ness分支僅考慮4條邊的關(guān)系，未考慮角度參量的影響，因此本文設(shè)計了一種基于可形變卷積[31]的9點特征表示方式實現(xiàn)目標(biāo)置信度的預(yù)測，加強回歸分支和分類分支的信息交互，如圖5藍(lán)線所示。具體過程如下：

(1) 初始邊界框回歸結(jié)果獲?。簩τ谔卣鲌D中的點位置 (x,y)，使用多層卷積獲取初始的邊界框回歸矢量(l′,t′,r′,b′,θ′)。

(2) 9點固定采樣位置獲?。豪迷撎卣魇噶揩@取圖6(a)所示的9個特征點，圖中展示了各點與回歸矢量的關(guān)系，然后代入式(7)獲取圖6(b)的9個特征點，并映射回原始特征圖尺寸。式中xi,yi依次代入圖6(a) 9個點的坐標(biāo)值為轉(zhuǎn)化后的點坐標(biāo)位置。

圖6 9點位置的坐標(biāo)變換Fig.6 Coordinate transformation of the nine points location

(3) 基于可形變卷積的目標(biāo)置信度回歸 ：將獲取到的9點坐標(biāo)作為特征圖點位置 (x,y)可形變卷積的偏移量，分別用于分類分支的目標(biāo)置信度回歸和后續(xù)殘差回歸分支邊界框偏移量參數(shù)的計算。

3.3 殘差回歸分支

為了進一步提高旋轉(zhuǎn)框的定位精度，本文基于9點特征表示的信息，將旋轉(zhuǎn)框的回歸問題轉(zhuǎn)化為殘差學(xué)習(xí)問題。針對初始回歸矢量 (l′,t′,r′,b′,θ′)，通過3.2節(jié)所述方法將其轉(zhuǎn)化為可形變卷積的偏移量參與運算，如圖5紅線所示，添加獨立回歸分支預(yù)測旋轉(zhuǎn)框的偏移殘差矢量 Δl′,Δt′,Δr′,Δb′,Δθ′，因此最終的檢測框被表示為(l,t,r,b,θ)=(Δl′×l′,Δt′×t′,Δr′×r′,Δb′×b′,Δθ′×θ′)。

3.4 旋轉(zhuǎn)框自適應(yīng)訓(xùn)練樣本選擇策略

ATSS (Adaptive Training Sample Selection)[32]算法已證明了其正負(fù)樣本選擇策略的優(yōu)越性，然而該算法采用水平框的輸入，無法直接作用于旋轉(zhuǎn)框。因此，本文先取船舶樣本的最小外接水平框送入ATSS算法中，并在最后添加了點區(qū)域判定，使其實現(xiàn)旋轉(zhuǎn)框網(wǎng)絡(luò)訓(xùn)練過程中的自適應(yīng)正負(fù)樣本選擇。該方法稱為RATSS，具體算法流程如下：

步驟1 船舶樣本最小外接水平邊界框獲取：對于每個船舶樣本，獲取其最小外接水平邊界框。

步驟2 候選目標(biāo)點集合獲?。哼x擇每個特征層中距離船舶樣本中心最近的k個點加入到候選目標(biāo)點集合中，并為每個點設(shè)定尺寸為8s大小的水平錨框。其中，s為特征圖下采樣的步幅。值得注意的是，這里平鋪的錨框僅用于計算交并比，不用于指導(dǎo)目標(biāo)檢測。

步驟3 自適應(yīng)IoU閾值獲?。河嬎愫蜻x目標(biāo)點集合中各點預(yù)設(shè)框與船舶樣本水平邊界框的IoU，計算閾值I=mean(IoU)+std(IoU)。當(dāng)候選點IoU大于I則判定該點為正樣本，否則為負(fù)樣本。

步驟4 點區(qū)域判定：對于上述獲取的正樣本點判定該點是否坐落于船舶樣本旋轉(zhuǎn)邊界框的區(qū)域范圍，為了避免點坐落于船舶邊界帶來的樣本模糊問題，如圖7所示，將落于船舶樣本中心0.8倍長寬范圍內(nèi)的點標(biāo)記為最終的正樣本點，否則標(biāo)記為負(fù)樣本點。為了避免小目標(biāo)的丟失，當(dāng)目標(biāo)沒有正樣本點時，直接采取步驟3的結(jié)果。

圖7 訓(xùn)練樣本的篩選準(zhǔn)則(藍(lán)：正樣本點，灰：負(fù)樣本點)Fig.7 The selection criteria for training samples (Blue:Positive sample points;Gray:Negative sample points)

通過以上算法，如果點位置 (x,y)與船舶樣本邊界框G={x*,y*,w*,h*,θ*}相關(guān)聯(lián)，那么最小化該位置的矢量t′={x′,y′,w′,h′,θ′} 與G的距離即可完成網(wǎng)絡(luò)模型權(quán)重的更新。

3.5 損失函數(shù)

網(wǎng)絡(luò)訓(xùn)練的損失函數(shù)由分類損失、初始邊界框以及精細(xì)化邊界框的精度誤差3部分組成，如式(8)所示：

其中，Npos表示正樣本的個數(shù)，λ0,λ1為旋轉(zhuǎn)框損失函數(shù)權(quán)重調(diào)整因子用1指示船舶類別，0表示背景；px,y為目標(biāo)置信度為回歸分支的輸出值，分別對應(yīng)著初始回歸值和精細(xì)化回歸值，為船舶樣本邊界框。

分類損失函數(shù)Lcls采用Focal Loss[33]，公式如下，α表示平衡因子，用于平衡正負(fù)樣本的數(shù)量。

Smooth L1 Loss用于初始邊界框以及精細(xì)化邊界框的參數(shù)回歸，表示如下：

為了保持不同大小目標(biāo)損失函數(shù)的尺度一致性，上式中ti計算如下：

式中，(x′,y′,h′,w′,θ′)由 (l′,t′,r′,b′,θ′)通過式(2)—式(6)轉(zhuǎn)化得到，(x′,y′,h′,w′,θ′)表示預(yù)測框的結(jié)果，(x*,y*,h*,w*,θ*)表示船舶樣本邊界框的結(jié)果。(x′,y′,h′,w′,θ′)替換為(x,y,w,h,θ)即可求得精細(xì)化邊界框的損失。

4 實驗驗證

4.1 實驗數(shù)據(jù)集

為了驗證本網(wǎng)絡(luò)模型的檢測性能，本文在SSDD+[34]和HRSID[35]數(shù)據(jù)集上進行了驗證實驗。

(1) SSDD+：該數(shù)據(jù)集于2017年出版，是SAR船舶領(lǐng)域較早出版的SAR船舶檢測數(shù)據(jù)集，由Radarsat-2,TerraSAR-X,Sentinel-1影像組成，分辨率范圍為1～15 m。數(shù)據(jù)集中共有1160張SAR影像切片，共計2456個船舶目標(biāo)。

(2) HRSID：該數(shù)據(jù)集于2020年出版，用于船舶目標(biāo)檢測與船舶實例分割，由Sentinel-1,Terra-SAR-X影像組成，分辨率為0.5 m,1.0 m以及3.0 m。HRSID數(shù)據(jù)集中共有5604張SAR影像切片，共計16591個船舶目標(biāo)。

4.2 性能指標(biāo)

本文引入了Precision(P),Recall(R),mean Average Precision(mAP)下、訓(xùn)練時間Time以及每秒幀數(shù)FPS用于評估不同模型的表現(xiàn)，mAP指標(biāo)的具體表示如表1所示，本文所有mAP以及召回率R單位均為%。

表1 COCO指標(biāo)Tab.1 COCO metrics

式中，Time代表模型訓(xùn)練過程中，平均每一次迭代所需的時間，其中，n為模型訓(xùn)練至收斂的迭代次數(shù)，ti代表訓(xùn)練第i次所需要的時間。FPS代表檢測速度的快慢，其中N為測試集的樣本數(shù)量，T為測試集檢測所需時間。

4.3 執(zhí)行細(xì)節(jié)

(1) 影像預(yù)處理：由于HRSID數(shù)據(jù)集提供實例分割標(biāo)注，未提供旋轉(zhuǎn)框標(biāo)注，因此在處理時對該數(shù)據(jù)集影像標(biāo)注格式中的實例分割字段通過取最小傾斜外接矩陣當(dāng)作樣本的旋轉(zhuǎn)框真值標(biāo)注。

(2) 數(shù)據(jù)增廣：為了加強數(shù)據(jù)集在網(wǎng)絡(luò)模型中的魯棒性，提高網(wǎng)絡(luò)對于不同角度船舶的敏感性，網(wǎng)絡(luò)內(nèi)部集成了常見的數(shù)據(jù)增強方式，在影像訓(xùn)練時會隨機進行對比度增強、旋轉(zhuǎn)、錯切、平移以及鏡像翻轉(zhuǎn)。

(3) 訓(xùn)練參數(shù)設(shè)置：所有的網(wǎng)絡(luò)模型均基于開源的mmdetection目標(biāo)檢測框架開發(fā)，并在 Intel i9-10900k以及Nvidia RTX2080Ti GPU 上使用隨機梯度下降 (SGD) 算法進行訓(xùn)練。每次迭代的批量大小為 4。初始學(xué)習(xí)率2e-3，并在第8,11,16次下降至原來的0.1，驗證時交并比閾值設(shè)置為0.1，最小目標(biāo)置信度閾值設(shè)置為0.05。損失函數(shù)調(diào)控因子λ0和λ1分別設(shè)置為1.25和1.5。Focal Loss損失函數(shù)a設(shè) 置為0.25，λ設(shè)置為2。Smooth L1 Loss中的β設(shè)置為0.11。

4.4 算法性能評估

本節(jié)主要開展正負(fù)樣本選擇策略對比用于檢驗RATSS的效果，并通過消融實驗體現(xiàn)9點特征表示和殘差回歸分支的作用。

4.4.1 正負(fù)樣本選擇策略對比

為了驗證RATSS算法的有效性，本文與3種基于點位置的樣本選擇方式進行了對比，分別標(biāo)識為a,b,c。如圖8所示，采樣方式a,b將落入船舶樣本范圍內(nèi)的所有點進行訓(xùn)練，兩者區(qū)別在于限定范圍不同。采樣方式c則采用FCOS的正負(fù)樣本選擇策略，限定不同特征層負(fù)責(zé)訓(xùn)練的最大樣本點距離。為了驗證RATSS步驟4點區(qū)域判定的作用，本文增加了去除該步驟的對比實驗。在SSDD+數(shù)據(jù)集上的驗證結(jié)果見表2。

圖8 不同的正樣本選擇方法Fig.8 Different positive sample selection methods

表2顯示RATSS的結(jié)果明顯優(yōu)于采樣方式a,b,c，在k值為5的情況下，mAP50值分別高出16.0%,6.1%,8.2%。表2結(jié)果顯示不同方法中 mAP50的差異主要體現(xiàn)在中大型船舶目標(biāo)。對于中大型目標(biāo)而言，采樣方式a,b容易在P3層分配大量的正樣本點進行訓(xùn)練，然而該層對于中大型船舶目標(biāo)而言特征提取能力較弱，使得檢測率偏低。采樣方式c由于采用最大距離限定，當(dāng)特征層的點位置接近于船舶樣本中心時，計算獲得的最大距離容易小于特征層負(fù)責(zé)的范圍，使得該點被誤分配為負(fù)樣本，這導(dǎo)致了不合理的樣本選擇。

圖9記錄了RATSS訓(xùn)練過程中不同尺寸船舶目標(biāo)樣本點在不同特征層的分布情況。由于RATSS采用平鋪水平錨框與船舶樣本邊界框計算交并比的方式，使得不同尺寸的目標(biāo)在適應(yīng)大小的特征層中具有較高的交并比，因此網(wǎng)絡(luò)會自動將目標(biāo)分配給合適的特征層進行訓(xùn)練，同時中心選擇候選點的方式，也使得選擇的樣本點趨向于目標(biāo)中心，表征出更高的檢測精度。對比去除RATSS步驟4點區(qū)域判定的結(jié)果，m AP50提升了4.5%，表明了點區(qū)域判定步驟的有效性。從表2訓(xùn)練時間看出，該方法僅帶來8%的訓(xùn)練時間損耗。

表2 不同樣本選擇方法的實驗結(jié)果Tab.2 Results of different samples selection methods

圖9 用RATSS后的正樣本在不同特征層的分布比例Fig.9 The distribution ratio of positive samples in different feature layers after using the RATSS

本文調(diào)整超參數(shù)k值進行了實驗，從表2的結(jié)果可以看出雖然參數(shù)k值造成了檢測結(jié)果的波動，但其檢測結(jié)果依舊高于非RATSS的采樣方式，且mAP50的差異保持在1.9%，同時不同參數(shù)帶來的訓(xùn)練時間損失幾乎可以忽略，表明RATSS方法的穩(wěn)定性。

4.4.2 消融實驗

本節(jié)開展了消融實驗用于驗證9點特征表示以及殘差回歸分支對檢測的影響，所得結(jié)果見表3。

表3 消融實驗結(jié)果(%)Tab.3 Results of ablation experiments (%)

4.4.2.1 9點特征表示的影響

從表3的檢測結(jié)果可以看出，將9點特征表示應(yīng)用于分類分支后各項指標(biāo)均獲得了提升。圖10展示了部分場景下的檢測結(jié)果，可以看出9點特征參與目標(biāo)置信度預(yù)測后，降低了第1行陸地邊緣以及第2行岸上虛警目標(biāo)的干擾；第3行的檢測結(jié)果顯示了該方法有利于提升復(fù)雜環(huán)境下的目標(biāo)檢測率；第4行結(jié)果則說明該方法有利于提高小目標(biāo)的檢測率。這是因為可形變卷積提升了分類分支的感受野，使得目標(biāo)置信度預(yù)測時不再局限于錨點周圍像素信息，而在目標(biāo)層次上進行預(yù)測。同時初始邊界框的參數(shù)作為偏移量送入分類網(wǎng)絡(luò)中，加強了分支之間的信息交互，有利于提升邊界框的回歸精度。

4.4.2.2 殘差回歸分支的影響

表3顯示殘差回歸分支在保障小型目標(biāo)檢測效果的前提下，有效提升了中大船目標(biāo)的 mAP精度，表明了該方法的有效性。

圖10第2、第3兩行的(c)(d)列可以看出，殘差回歸分支有效地將偏離目標(biāo)邊界框的檢測結(jié)果進行了校正，使其更加貼近船舶目標(biāo)。同時第4行的結(jié)果也說明了添加殘差回歸分支并不會對小型目標(biāo)造成精度的損失。殘差回歸分支利用9點特征融合了目標(biāo)周圍的背景信息用來預(yù)測邊界框的偏移量，有效地避免了旋轉(zhuǎn)目標(biāo)檢測過程中過多關(guān)注目標(biāo)自身特征的問題，因此能夠有效地提升邊界框的回歸精度。

圖10 消融實驗結(jié)果對比Fig.10 Comparison of ablation experiment results

4.4.2.3 討論

表4記錄了SSDD+數(shù)據(jù)集下遠(yuǎn)岸與近岸環(huán)境下的實驗結(jié)果。結(jié)果顯示本文的方法在直接輸出5參數(shù)的基礎(chǔ)框架上，近海和遠(yuǎn)海的mAP分別提升了14.6%和2.3%，mAPL提升了32.6%和37.5%。本文方法采用了基于可形變卷積的9點特征表示參與目標(biāo)置信度以及邊界框殘差值的預(yù)測，因此對于船舶目標(biāo)而言無論近岸還是遠(yuǎn)海提升效果都更為明顯。

表4 近岸與遠(yuǎn)岸船舶的mAP結(jié)果值(%)Tab.4 The mAP results of the ships in inshore and offshore (%)

4.5 網(wǎng)絡(luò)整體性能對比

本節(jié)開展與FCOS網(wǎng)絡(luò)、其他錨框旋轉(zhuǎn)檢測網(wǎng)絡(luò)的對比，用來進一步說明本文方法的精度和速度性能。

4.5.1 與FCOS網(wǎng)絡(luò)的比較

本節(jié)比較了FCOSR與FCOS的差異，同時添加了變換FCOSR骨干網(wǎng)絡(luò)和通道數(shù)的實驗，表5記錄了相應(yīng)的實驗結(jié)果。從表5的結(jié)果可以看出，ResNet50+256通道數(shù)的組合相較于ResNet34+128通道數(shù)的組合并未帶來實際性的性能提升，卻額外增加了訓(xùn)練時間和檢測時間，這是由于簡單的特征提取網(wǎng)絡(luò)就可以充分?jǐn)M合SAR影像中較弱的船舶紋理特征。綜合考慮時間與性能的差異，本文將Res-Net34+128通道數(shù)當(dāng)作最終的網(wǎng)絡(luò)模型設(shè)置。

表5結(jié)果中SSDD+數(shù)據(jù)集上FCOS的 mAP50高于FCOSR的結(jié)果2%，這是由于兩者交并比的計算方式不同，旋轉(zhuǎn)框的交并比受角度影響較大，因此表征出略低于FCOS的檢測結(jié)果。但是在HRSID數(shù)據(jù)集中本文的網(wǎng)絡(luò)表現(xiàn)出優(yōu)于FCOS的 mAP50。觀察圖11可以看到水平框的結(jié)果無法擬合目標(biāo)輪廓，無法直接獲取船舶的朝向信息，因此無法滿足任意朝向下的船舶目標(biāo)檢測需求。如圖11(c)綠色區(qū)域所示，對于并排船舶目標(biāo)而言，F(xiàn)COS容易出現(xiàn)并排船舶目標(biāo)的漏檢，而FCOSR由于輸出旋轉(zhuǎn)框，有效地避免了NMS階段船舶目標(biāo)的漏檢，且旋轉(zhuǎn)框的引入降低了模型訓(xùn)練時非船舶像素的干擾，減少了岸上的虛警目標(biāo)。

圖11 FCOSR和FCOS的檢測結(jié)果(藍(lán)色：真值；黃色：虛警；綠色：漏檢；紅色：檢測結(jié)果)Fig.11 Results of FCOS and FCOSR (Blue:Ground truth;Yellow:False alarm;Green:Missing ship;Red:Detected result)

表5 FCOS與FCOSR的對比Tab.5 The performance comparison of FCOS and FCOSR

4.5.2 與錨框旋轉(zhuǎn)檢測網(wǎng)絡(luò)的比較

為了驗證本網(wǎng)絡(luò)的檢測能力，本文在SSDD+以及HRSID數(shù)據(jù)集上將FCOSR與雙階段錨框旋轉(zhuǎn)檢測網(wǎng)絡(luò)ReDet,R3Det,FasterRCNN-O[36]以及單階段錨框旋轉(zhuǎn)檢測網(wǎng)絡(luò)R-RetinaNet進行了性能對比。表6結(jié)果顯示FCOSR實現(xiàn)了最高的 mAP50值與召回率，證明了本文方法的有效性。同時，F(xiàn)COSR網(wǎng)絡(luò)采用ResNet34+128通道數(shù)的組合，以及單階段的設(shè)計方法，使得本文算法相較于其他旋轉(zhuǎn)檢測方法保持著最小的模型尺寸、最快的訓(xùn)練時間和檢測速率。

表6 不同檢測網(wǎng)絡(luò)的精度對比Tab.6 The comparison of the accuracy of different detection networks

圖12展示了純海面小型船舶目標(biāo)的檢測結(jié)果，本文方法并未出現(xiàn)目標(biāo)漏檢，且表現(xiàn)出更高的定位精度和召回率。由于SSDD+數(shù)據(jù)集和HRSID中船舶樣本長度分布不均勻，設(shè)定的錨框并不能充分適應(yīng)樣本長度的分布，造成基于錨框的目標(biāo)檢測網(wǎng)絡(luò)對于小目標(biāo)的丟失。而FCOSR無需預(yù)設(shè)錨框，避免了錨框設(shè)置帶來的精度損失，因此對于小型船舶目標(biāo)具有良好的檢測效果。

圖12 遠(yuǎn)岸目標(biāo)的檢測結(jié)果(藍(lán)色：真值；黃色：虛警；綠色：漏檢；紅色：檢測結(jié)果)Fig.12 Results of the offshore ships (Blue:Ground truth;Yellow:False Alarm;Green:Missing ship;Red:Detected result)

對比圖13近岸背景下不同網(wǎng)絡(luò)模型的檢測結(jié)果，本文的方法采用了9點特征表示突出目標(biāo)整體，并將其作為可形變卷積的參數(shù)輸入，使得目標(biāo)置信度的預(yù)測和邊界框的回歸融合了背景信息，此外提升的感受野使得結(jié)果的預(yù)測更關(guān)注于目標(biāo)，因此有利于減少檢測過程中的虛警目標(biāo)。在圖13中，相較于ReDet,R-RetinaNet，本方法并未出現(xiàn)虛警目標(biāo)和漏檢目標(biāo)，這說明了FCOSR能夠在近岸背景下實現(xiàn)良好的船舶檢測效果。

圖13 近岸目標(biāo)的檢測結(jié)果 (藍(lán)色：真值；黃色：虛警；綠色：漏檢；紅色：檢測結(jié)果)Fig.13 Results of the inshore ships (Blue:Ground truth;Yellow:False alarm;Green:Missing ship;Red:Detected result)

對比圖14河道復(fù)雜環(huán)境下的檢測結(jié)果，本文的方法相較于FasterRCNN-O,ReDet,R3Det對密集分布的船舶目標(biāo)表現(xiàn)出更高的召回率，且在陸地中并未出現(xiàn)虛警目標(biāo)，表征出更低的陸上虛警。綜上所述，本文的方法相較于錨框檢測網(wǎng)絡(luò)，無論是遠(yuǎn)海還是近岸復(fù)雜環(huán)境背景下均表現(xiàn)出更好的檢測性能和魯棒性。

5 結(jié)論

本文在FCOS的基礎(chǔ)上通過添加角度參量θ使其適用于任意朝向下的船舶目標(biāo)檢測，并基于可形變卷積設(shè)計了一種9點特征表示，用于目標(biāo)置信度的預(yù)測和殘差回歸分支偏移量的預(yù)測。同時通過一種自適應(yīng)樣本選擇策略RATSS自動選擇訓(xùn)練過程中的正負(fù)樣本，降低了低質(zhì)量樣本對檢測精度的影響。SSDD+和HRSID數(shù)據(jù)集檢測結(jié)果表明，相較于錨框旋轉(zhuǎn)檢測網(wǎng)絡(luò)，本文算法無論是遠(yuǎn)岸還是近岸復(fù)雜環(huán)境的多尺度船舶目標(biāo)，均能保證更高的檢測精度。在檢測效率上，本文采用的模型也具有最小的模型尺寸和更快的檢測速率，能夠適應(yīng)未來要求更高的實時船舶目標(biāo)檢測任務(wù)。