劉馨嬪，王 洪，趙良瑾

（1.中國科學(xué)院空天信息創(chuàng)新研究院，北京 100190; 2.中國科學(xué)院大學(xué)電子電氣與通信工程學(xué)院，北京 100049；3.中國科學(xué)院網(wǎng)絡(luò)信息體系技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100190）

0 引 言

艦船檢測是遙感圖像應(yīng)用的重要課題之一，在民用和軍事國防領(lǐng)域得到廣泛關(guān)注［1-3］，例如港口監(jiān)視預(yù)警、港口交通管理等。傳統(tǒng)艦船檢測方法根據(jù)艦船位置及任務(wù)場景的不同，可以分為開闊海域檢測［4］和近岸港口駐泊艦船檢測［5］這2 類。其中，由于港口駐泊艦船目標(biāo)與陸地毗鄰，港口、碼頭環(huán)境地物要素復(fù)雜，艦船與陸地圖像灰度、紋理等特征接近等因素，相比遠(yuǎn)海艦船目標(biāo)檢測，近岸港口區(qū)域艦船目標(biāo)檢測任務(wù)面臨著更多挑戰(zhàn)［6-7］。

近年來，隨著卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）［8］的興起，基于卷積神經(jīng)網(wǎng)絡(luò)的遙感目標(biāo)檢測技術(shù)也逐漸發(fā)展并廣泛應(yīng)用?；诰矸e神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法總體分為雙階段檢測方法和單階段檢測方法2 類。雙階段檢測方法的主要思路是先生成若干候選框，再通過對這些候選框進(jìn)行分類和位置回歸得到目標(biāo)檢測結(jié)果，典型方法包括Fast R-CNN［9］、Faster R-CNN［10］、Cascade RCNN［11］、Mask R-CNN［12］等。雙階段目標(biāo)檢測算法具有準(zhǔn)確性高、可擴(kuò)展性好等特點(diǎn)，但是候選框生成過程會增加計(jì)算量和時(shí)間復(fù)雜度，限制了該算法的實(shí)時(shí)性應(yīng)用。單階段目標(biāo)檢測算法不需要生成候選框，直接對輸入圖像進(jìn)行分類和位置回歸，得到目標(biāo)檢測結(jié)果，代表算法有YOLO［13-16］系列、SSD［17］、RetinaNet［18］等。相較于雙階段目標(biāo)檢測算法，單階段目標(biāo)檢測算法的優(yōu)點(diǎn)是計(jì)算量少、速度快，在工業(yè)界應(yīng)用廣泛。現(xiàn)階段遙感圖像單景早已突破百億像素，且遙感解譯任務(wù)的時(shí)效性需求較高，因此，將單階段檢測算法應(yīng)用在遙感目標(biāo)檢測任務(wù)中也逐漸成為研究與應(yīng)用的趨勢。

在多任務(wù)學(xué)習(xí)方面，已有一些結(jié)合目標(biāo)檢測與圖像分割的多任務(wù)研究成果。Mask R-CNN［12］在目標(biāo)檢測網(wǎng)絡(luò)的基礎(chǔ)上，利用全卷積網(wǎng)絡(luò)［19］作為掩碼輸出分支，與目標(biāo)檢測分支共享卷積特征。Masklab［20］通過在每個(gè)感興趣區(qū)域內(nèi)結(jié)合語義信息和方向信息對圖像前景和背景進(jìn)行分割。PANet［21］在分割分支將全連接特征與全卷積特征進(jìn)行融合，強(qiáng)化了模型對空間位置的敏感程度，從而能夠輸出更加精確的分割結(jié)果。HTC［22］通過多階段聯(lián)合處理的方式，首次將級聯(lián)的思想引入到實(shí)例分割領(lǐng)域，在每個(gè)階段將互補(bǔ)特征集成在一起，從而提升模型的分割能力。但是，目前基于多任務(wù)目標(biāo)檢測分割中，更多關(guān)注于目標(biāo)實(shí)例分割的應(yīng)用，而對于艦船與海陸分割不同種類目標(biāo)的研究較少。

隨著遙感圖像目標(biāo)檢測技術(shù)發(fā)展，艦船目標(biāo)特征提取、定位識別等能力已大大提升，但是，在針對港口區(qū)域艦船檢測應(yīng)用場景中，由于GPU 算力、算法框架等條件限制，原始寬幅圖像往往需要被分成若干帶有重疊區(qū)域的切片依次進(jìn)行檢測，使得許多近岸陸地區(qū)域也執(zhí)行了檢測流程，導(dǎo)致檢測結(jié)果中可能會出現(xiàn)較多陸地區(qū)域形似物體虛警。一方面，從遙感圖像艦船目標(biāo)幾何特性看，軍艦、貨輪、油輪等艦船目標(biāo)具有較大長寬比且緊貼碼頭駐泊，易與集裝箱、突堤碼頭等形狀近似物混淆，這使得艦船目標(biāo)自特征提取變得困難。另一方面，從遙感圖像地物紋理特性看，大場景寬幅光學(xué)圖像的大量復(fù)雜紋理負(fù)樣本會導(dǎo)致特征干擾，造成目標(biāo)框回歸變得更加困難。

為解決上述問題，現(xiàn)有方法一般通過加強(qiáng)網(wǎng)絡(luò)自身的特征表示能力，達(dá)到更有效、更魯棒地提取目標(biāo)自特征的目的。例如，文獻(xiàn)［23］通過對YOLOv4-tiny進(jìn)行改進(jìn)，借助空間注意力（Spatial Attention，SA）模型增強(qiáng)艦船關(guān)鍵重要部位的區(qū)域顯著性，提高網(wǎng)絡(luò)目標(biāo)特征的感知能力；文獻(xiàn)［24］提出了一種基于特征和區(qū)域定位增強(qiáng)的艦船檢測算法，對于復(fù)雜背景下的艦船目標(biāo)，通過在注意網(wǎng)絡(luò)后加入極化函數(shù)，采用極化雙重注意網(wǎng)絡(luò)（Polarized Dual-Attention Network，PDAN）模塊充分提取目標(biāo)關(guān)鍵特征，同時(shí)抑制不相關(guān)信息，從而有效區(qū)分目標(biāo)和背景，實(shí)現(xiàn)檢測精度的有效提升。文獻(xiàn)［25］利用四象限的方法建模遙感圖像中的目標(biāo)，將每個(gè)目標(biāo)建模為一對中間線，通過預(yù)測每個(gè)目標(biāo)內(nèi)部的一對中間線來檢測定向物體，避開了旋轉(zhuǎn)檢測的角度預(yù)測回歸。此外，對于一些固定出現(xiàn)在限定區(qū)域的人造物體（如車輛、飛機(jī)和船只），結(jié)合場景語義信息的方法有助于快速定位檢測目標(biāo)。例如，文獻(xiàn)［26］采用先檢測停車場、道路等目標(biāo)特定區(qū)域的思路，實(shí)現(xiàn)了級聯(lián)場景上下文驅(qū)動的車輛目標(biāo)檢測方法，提高了車輛檢測的準(zhǔn)確率；文獻(xiàn)［27］提出了一種基于場景背景注意力的融合網(wǎng)絡(luò)，在YOLOv3網(wǎng)絡(luò)基礎(chǔ)上引入場景背景分支，先提取圖像切片上車輛目標(biāo)的潛在場景信息，作為后續(xù)目標(biāo)檢測的先驗(yàn)知識，增強(qiáng)融合特征的表征能力。然而，上述方法僅從加強(qiáng)目標(biāo)自特征或結(jié)合場景語義信息的單一方向進(jìn)行改進(jìn)，對于模型精度的提升有限。

針對近岸復(fù)雜場景下艦船目標(biāo)難于檢測的問題，本文提出一種分割與檢測雙分支任務(wù)框架學(xué)習(xí)網(wǎng)絡(luò)DBTF-Net（Dual-Branch Task Framework learning Network）。設(shè)計(jì)圖像分割和目標(biāo)檢測多任務(wù)并行學(xué)習(xí)框架，將分割與檢測任務(wù)由以往的串行處理改變?yōu)椴⑿刑幚矸绞?，提升任?wù)整體處理效率。針對艦船檢測與海陸分割2 類任務(wù)目標(biāo)不統(tǒng)一的問題，設(shè)計(jì)聯(lián)合損失函數(shù)，加速算法收斂，提升了模型穩(wěn)定性，設(shè)計(jì)雙分支融合處理模塊，通過信息互饋實(shí)現(xiàn)艦船目標(biāo)的虛警抑制，提升近岸艦船目標(biāo)檢測精度，降低了虛警率。

1 方 法

盡管傳統(tǒng)海陸分割方法已具備較為出色的性能表現(xiàn)，但與檢測任務(wù)相互獨(dú)立依序執(zhí)行將拖慢處理流程整體速度。此外，遙感圖像解譯中的不同視覺任務(wù)之間，通常存在各種背景信息條件的關(guān)聯(lián)約束，對于艦船檢測而言，艦船目標(biāo)通常駐泊或出現(xiàn)在港口毗鄰海域，不可能出現(xiàn)在陸地區(qū)域。針對這種情況，多任務(wù)網(wǎng)絡(luò)更適合這種應(yīng)用場景，因?yàn)椋?）多任務(wù)網(wǎng)絡(luò)可以通過同時(shí)并行處理多個(gè)任務(wù)，而不是按順序的串行處理方式，可以達(dá)到加速圖像解譯過程的目的；2）多任務(wù)網(wǎng)絡(luò)可基于相同的特征提取主干網(wǎng)絡(luò)，在多個(gè)任務(wù)間共享特征參數(shù)，以減少模型參數(shù)量，并引導(dǎo)網(wǎng)絡(luò)學(xué)習(xí)多任務(wù)之間的共性信息。因此，探索艦船檢測中的多任務(wù)方法是非常有必要的。

從任務(wù)輸出信息看，語義分割任務(wù)是基于像素級的類別信息，目標(biāo)檢測任務(wù)是基于目標(biāo)框的回歸信息；從任務(wù)輸入來看，語義分割和目標(biāo)檢測任務(wù)都需要先進(jìn)行特征提取，在編碼器、骨干網(wǎng)選用上基本遵循相似的底層原則，例如增大卷積層感受野、多尺度特征計(jì)算與融合等。為了解決艦船檢測和海陸分割的多任務(wù)問題，同時(shí)獲得高精度和快速度，本文在YOLOv5 的基礎(chǔ)上設(shè)計(jì)一種簡單而高效的網(wǎng)絡(luò)結(jié)構(gòu)。如圖1 所示，本文所提出的框架由3 個(gè)部分組成：1 個(gè)編碼器特征提取網(wǎng)絡(luò)、1 個(gè)包含2 個(gè)分支的解碼器網(wǎng)絡(luò)和1個(gè)融合模塊。

圖1 DBTF-Net框架結(jié)構(gòu)

1.1 框架結(jié)構(gòu)

本文所提出框架的神經(jīng)網(wǎng)絡(luò)框架主要由2個(gè)部分組成：編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)。各部分結(jié)構(gòu)描述如下：

1）編碼網(wǎng)絡(luò)（Encoder Network）。

編碼網(wǎng)絡(luò)由1 個(gè)數(shù)據(jù)輸入端的聚焦模塊（Focus）和4個(gè)特征層之間的跨階段局部連接模塊進(jìn)行分別5次下采樣，得到C1～C5 這5 層不同尺寸的特征圖，以增大特征提取網(wǎng)絡(luò)的感受野，引入更多局部上下文信息；再取相對于原始輸入步長分別為1/8、1/16、1/32的特征層信息C3、C4、C5，根據(jù)路徑聚合模塊自頂向下和自底向上的雙向傳播路徑，加強(qiáng)底層特征和頂層特征之間的信息流動，給模型添加不同尺度的特征映射，提取多尺度特征間的語境關(guān)系，融合全局上下文信息。

2）解碼網(wǎng)絡(luò)（Decoder Network）。

解碼網(wǎng)絡(luò)采用語義分割、目標(biāo)檢測2 個(gè)輸出分支并行結(jié)構(gòu)形式，下文分別介紹2個(gè)子任務(wù)的解碼網(wǎng)絡(luò)。

對于艦船目標(biāo)檢測任務(wù)，網(wǎng)絡(luò)基于YOLOv5 檢測分支結(jié)構(gòu)，將編碼網(wǎng)絡(luò)輸出的3層多尺度特征P3、P4、P5 分別送入不同尺寸大小的檢測頭，進(jìn)行預(yù)設(shè)錨框匹配。通常，在目標(biāo)檢測任務(wù)中，大的特征圖上適合檢測小目標(biāo)，因?yàn)榇筇卣鲌D的局部信息尚未被下采樣丟失，含有更多小目標(biāo)信息，而隨著特征圖經(jīng)過多次下采樣和卷積處理變成小尺寸特征圖，其往往擁有更大的感受野和更廣的全局信息，更適合大目標(biāo)檢測。因此，并行檢測分支為原圖尺寸大小的1/8、1/16、1/32，特征層P3、P4、P5 分別設(shè)置為［10，13］，［16，30］，［33，23］與［30，61］，［62，45］［59，119］及［116，90］，［156，198］，［373，326］的預(yù)設(shè)錨框尺寸。特征圖每個(gè)網(wǎng)格被賦予3 個(gè)包含不同縱橫比的先驗(yàn)錨框，對于每個(gè)錨框，檢測頭將輸出一個(gè)5 維向量［x，y，w，h，s］，分別表示預(yù)測框的位置偏移、高寬以及置信度。

對于海陸場景分割任務(wù)，分支網(wǎng)絡(luò)如圖2 所示，首先將編碼網(wǎng)絡(luò)輸出的3 層多尺度特征P3、P4、P5，通過雙線性插值上采樣為統(tǒng)一尺寸后進(jìn)行特征融合，然后經(jīng)過感受野模塊（Receptive Field Block，RFB），由擴(kuò)張率分別為1、3、5逐漸遞進(jìn)的3層空洞卷積，以及1 層自適應(yīng)全局池化與跳躍連接構(gòu)成，較好地滿足網(wǎng)絡(luò)非線性、擴(kuò)大感受野、多尺度融合的需求，再經(jīng)過一個(gè)4 層的金字塔池化，提取不同尺度的語境關(guān)系并融合全局信息，最后經(jīng)過特征合并與上采樣操作，得到海陸分割結(jié)果。

圖2 海陸分割分支結(jié)構(gòu)

1.2 聯(lián)合損失

多任務(wù)學(xué)習(xí)中對多個(gè)任務(wù)聯(lián)合優(yōu)化本質(zhì)上是一個(gè)多目標(biāo)優(yōu)化問題。不同的任務(wù)可能會發(fā)生沖突，需要對其進(jìn)行權(quán)衡，常見的方法是設(shè)計(jì)一個(gè)代理目標(biāo)并對其進(jìn)行優(yōu)化，使每個(gè)任務(wù)的加權(quán)線性組合損失最小化。為了更好地訓(xùn)練本文設(shè)計(jì)的網(wǎng)絡(luò)，本文設(shè)計(jì)聯(lián)合損失來平衡檢測分支和分割分支。

語義分割與目標(biāo)檢測任務(wù)在特征提取過程中關(guān)注的信息存在高度耦合性，可以視為相互促進(jìn)、相互補(bǔ)充的任務(wù)關(guān)聯(lián)模式，遂采取加權(quán)求和進(jìn)行計(jì)算：

其中，α1、α2分別為2 類任務(wù)的損失權(quán)重。Ldet表示目標(biāo)檢測總損失，如式（2）所示，檢測損失包括邊框回歸損失Lbox、類別損失Lcls以及判別預(yù)選框是否為正樣本的目標(biāo)損失Lobj。Lseg表示海陸分割的總損失，如式（3）所示，將其抽象為二元分類問題引入二元交叉熵函數(shù)，其中ys表示該點(diǎn)像素為海洋，設(shè)置為0，yl表示表示該點(diǎn)為陸地，設(shè)置為1，ps表示該點(diǎn)輸出屬于海洋的概率，pl表示該點(diǎn)屬于陸地的概率。

Ldet中類別損失Lcls和目標(biāo)損失Lobj采用Focal loss以應(yīng)對樣本不平衡問題，引導(dǎo)網(wǎng)絡(luò)模型對難例進(jìn)一步挖掘。調(diào)制因子γ是用來降低易分樣本的損失貢獻(xiàn)。Lbox采用CIoU loss 以充分考慮重疊面積、中心點(diǎn)距離、長寬比等因素，具體公式如下：

在目標(biāo)類別損失公式（4）中，αc∈［0，1］，用以調(diào)節(jié)類別不平衡。γ為聚焦參數(shù)，易分類樣本的損失函數(shù)的值與γ呈負(fù)相關(guān)性。pc表示判別為某類的概率。同理，在目標(biāo)損失公式（5）中po表示目標(biāo)置信度，piou表示該目標(biāo)與對應(yīng)真值目標(biāo)交疊比例。在目標(biāo)位置損失公式（6）中，ρ代表預(yù)測框中心b與真值框中心bgt之間的歐氏距離，c代表2 個(gè)矩形的最小外接矩形對角線長度。IoU 表示2 個(gè)框之間的重疊比例，wgt、hgt、w、h分別為真值框的寬、高以及預(yù)測框的寬、高。

通過設(shè)計(jì)多任務(wù)的聯(lián)合損失函數(shù)可以實(shí)現(xiàn)模型訓(xùn)練的穩(wěn)定收斂。在實(shí)際模型訓(xùn)練過程中，首先將2個(gè)任務(wù)的損失函數(shù)的權(quán)重統(tǒng)一設(shè)置為0.5，然后在后續(xù)訓(xùn)練過程中驗(yàn)證其可行性。

1.3 雙分支融合輸出

在海陸分割與艦船檢測的雙信號監(jiān)督下，損失函數(shù)與反向傳播的網(wǎng)絡(luò)學(xué)習(xí)機(jī)制促進(jìn)2 個(gè)關(guān)聯(lián)子任務(wù)之間的信息互補(bǔ)互饋。在此基礎(chǔ)上，本文提出雙分支融合輸出模塊，對隱式知識進(jìn)行顯式建模，以加強(qiáng)“艦船目標(biāo)不可能出現(xiàn)在陸地上”的知識約束。具體實(shí)現(xiàn)方式為：取海陸分割分支的預(yù)測結(jié)果Sseg二值矩陣，按標(biāo)注格式，陸地為1，海洋為0，將檢測分支輸出的預(yù)測框B與該位置處的海陸二值子矩陣Ssub對齊，即

取交并比作為分子，取預(yù)測框面積為分母，計(jì)算得出的比值即表示該預(yù)測框的占地面積比（land area ratio）。

本文算法設(shè)置閾值為0.3，一旦IoUlar值大于閾值，說明該預(yù)測框大部分位于陸地上，則篩除該預(yù)測框，小于等于閾值則可保留預(yù)測框，經(jīng)過該模塊濾除存留的預(yù)測框?yàn)樽罱K的艦船檢測結(jié)果。

2 實(shí) 驗(yàn)

2.1 數(shù)據(jù)集

本文構(gòu)建實(shí)驗(yàn)數(shù)據(jù)集是基于谷歌地球?qū)I(yè)平臺的光學(xué)遙感圖像建立得到的。本文采用42 張尺寸為16384×16384 像素的原始圖像和團(tuán)隊(duì)提供的標(biāo)簽作為實(shí)驗(yàn)數(shù)據(jù)集。其中，圖像包含世界各地共42 個(gè)不同港口場景；檢測標(biāo)注包含軍用、民用的大船，例如航母、戰(zhàn)艦、貨船等，游艇小船不屬于關(guān)注目標(biāo)，未進(jìn)行標(biāo)記。圖3 給出了樣本集的原始圖像與分割標(biāo)注的樣例。為了便于與其他方法（例如YOLOv5、Faster R-CNN 等）進(jìn)行比較，本文將所有原始圖像滑框裁切為1600×1600 像素的切片，僅保留切片中存在艦船目標(biāo)的部分，共900張，其中720張圖片和相應(yīng)的標(biāo)簽進(jìn)行訓(xùn)練，180張進(jìn)行測試評估。

圖3 數(shù)據(jù)集原圖與分割標(biāo)注

2.2 實(shí)驗(yàn)設(shè)置與評價(jià)指標(biāo)

實(shí)驗(yàn)訓(xùn)練在4 塊11 GB 的GeForce RTX 2080Ti GPU 上進(jìn)行的，操作系統(tǒng)為Ubuntu 18.04，編程語言為Python 3.6.9，深度學(xué)習(xí)框架為Pytorch 1.7.1；模型學(xué)習(xí)率設(shè)置為1.5e-3，批大小設(shè)置為16，訓(xùn)練迭代輪數(shù)共200輪，優(yōu)化器選擇adam優(yōu)化器。

本文采用平均精確率（mean Average Precision，mAP）和虛警率（False Alarm Rate）作為主要衡量指標(biāo)。在評測預(yù)測結(jié)果時(shí)，TP/TN 代表了在被正確預(yù)測的樣本中正/負(fù)樣本的個(gè)數(shù)；FP/FN則代表在被錯(cuò)判的樣本中正/負(fù)樣本的個(gè)數(shù)。精度Precision 反映的是所有預(yù)測的正樣本中真實(shí)的正樣本的比例，召回率Recall 反映的是被正確預(yù)測的正樣本占總的正樣本的比例。虛警率False Alarm Rate 反映的是負(fù)樣本被預(yù)測為正樣本占總的負(fù)樣本的比例。平均精度均值mAP 是目標(biāo)檢測算法的主要評估指標(biāo)，平均交并比（mean Intersection over Union，mIoU）是語義分割算法的主要評估指標(biāo)。計(jì)算公式如下：

2.3 對比實(shí)驗(yàn)

為了驗(yàn)證多任務(wù)網(wǎng)絡(luò)對艦船檢測虛警抑制的有效性，本文測試YOLOv5 與DBTF-Net 算法的檢測效果。選取其中1張實(shí)驗(yàn)結(jié)果圖，在YOLOv5檢測結(jié)果（見圖4（a））中存在的陸地虛警，在DBTF-Net的檢測結(jié)果（見圖4（b））中并未被誤檢。使用本文算法得到的分割掩膜結(jié)果（見圖5），深紫色區(qū)域?yàn)殛懙兀瑴\色區(qū)域?yàn)楹Ｑ?；定量分析如?所示，在基準(zhǔn)模型YOLOv5的基礎(chǔ)上，DBTF-Net算法模型mAP分?jǐn)?shù)提升了4.4個(gè)百分點(diǎn)，虛警率下降了3.4 個(gè)百分點(diǎn)，推理時(shí)間增加16.8%，模型參數(shù)增長9.0%。綜上所述，在犧牲少量內(nèi)存與速度條件下，本文算法的虛警率有較大降低。此外，相較于其他經(jīng)典算法在檢測精度方面均有一定提升。

表1 對比實(shí)驗(yàn)結(jié)果

圖4 YOLOv5與本文算法檢測結(jié)果對比

圖5 本文算法海陸分割融合掩膜結(jié)果

2.4 消融實(shí)驗(yàn)

為驗(yàn)證聯(lián)合損失函數(shù)與雙分支融合輸出模塊對實(shí)驗(yàn)?zāi)Ｐ偷奶嵘?，本文進(jìn)行消融實(shí)驗(yàn)，結(jié)果如表2 所示。結(jié)果表明，本文提出的多任務(wù)框架在聯(lián)合損失訓(xùn)練以及雙路融合模塊對算法整體的mAP 有一定的提升。模型的準(zhǔn)確率與召回率之間相互制約，保證檢測的目標(biāo)全部準(zhǔn)確的情況下會造成部分目標(biāo)漏檢，反之保證全部目標(biāo)均召回的情況下會造成更多的虛警。本文算法在綜合2 個(gè)模塊的優(yōu)勢下進(jìn)行參數(shù)微調(diào)，實(shí)現(xiàn)了精度的提升與虛警的降低。

表2 消融實(shí)驗(yàn)數(shù)據(jù)

3 結(jié)束語

基于近岸復(fù)雜場景下艦船的目標(biāo)特征與場景特征的虛警問題，本文提出一種新的分割與檢測雙分支任務(wù)融合學(xué)習(xí)的近岸艦船檢測方法。該方法利用分割與檢測并行網(wǎng)絡(luò)結(jié)構(gòu)，引入海陸分割作為多任務(wù)網(wǎng)絡(luò)的解碼分支，優(yōu)化了近岸艦船目標(biāo)檢測過程；利用聯(lián)合損失與雙分支融合模塊，進(jìn)一步提高了檢測準(zhǔn)確率及虛警抑制率。通過采用基于谷歌地球圖像數(shù)據(jù)集的實(shí)驗(yàn)，驗(yàn)證了本文方法在虛警濾除方面對近岸場景艦船目標(biāo)檢測的有效性。