基于Faster R-CNN的遥感影像船舶检测识别

doi:10.13474/j.cnki.11-2246.2021.339

测绘通报 ›› 2021, Vol. 0 ›› Issue (11): 59-64.doi: 10.13474/j.cnki.11-2246.2021.339

基于Faster R-CNN的遥感影像船舶检测识别

赵振强, 何水原, 梁永志

广州海洋地质调查局, 广东广州 510075

收稿日期:2020-10-22 出版日期:2021-11-25 发布日期:2021-12-02
作者简介:赵振强(1991-),男,硕士,工程师,主要研究方向为遥感影像处理及海洋导航定位。E-mail:919070267@qq.com
基金资助:
国家重点研发计划（2016YFC0303004）

Research on remote sensing image ship detection and identification based on Faster R-CNN

ZHAO Zhenqiang, HE Shuiyuan, LIANG Yongzhi

Guangzhou Marine Geological Survey, Guangzhou 510075, China

Received:2020-10-22 Online:2021-11-25 Published:2021-12-02

摘要/Abstract

摘要： 随着遥感技术的不断发展，遥感大数据在人们生活中扮演着越来越重要的角色，但由于遥感数据量大，数据处理较为困难。机器学习技术凭借如今硬件科技的发展，使得其自身计算处理能力得到了巨大的提升，因而被广泛地应用于各个领域。由于数据处理和计算机能力的提升，深度学习被广泛应用于遥感领域中。同时，深度学习在其他领域中也被证明是一个极其强大的工具。结合遥感数据量大的特点，本文通用Faster R-CNN的方法实现了对船舶遥感影像的快速检测，并且取得了较高的检测率。

关键词: 遥感影像, 大数据, 深度学习, Faster R-CNN

Abstract: With the development of remote sensing, remote sensing big data is playing an increasingly important role in people's lives, but due to the large amount of remote sensing data, data processing is difficult. Machine learning technology with the development of today's hardware technology, makes its own computational processing capacity has been greatly improved, and thus is widely used in various fields. Due to the increase in data and computer capabilities, deep learning is now widely used in remote sensing, while it has also been proved to be an extremely powerful tool in other fields. Combining the characteristics of large remote sensing data, this paper uses the Faster R-CNN method to achieve fast detection of ships and achieves a high detection rate.

Key words: remote sensing, big data, deep learning, faster R-CNN

中图分类号:

P237

赵振强, 何水原, 梁永志. 基于Faster R-CNN的遥感影像船舶检测识别[J]. 测绘通报, 2021, 0(11): 59-64.

ZHAO Zhenqiang, HE Shuiyuan, LIANG Yongzhi. Research on remote sensing image ship detection and identification based on Faster R-CNN[J]. Bulletin of Surveying and Mapping, 2021, 0(11): 59-64.

参考文献

[1] 明冬萍, 骆剑承, 沈占锋,等.高分辨率遥感影像信息提取与目标识别技术研究[J]. 测绘科学, 2005, 30(3):18-20.
[2] 杨瑾文, 赖文奎. 深度学习算法在遥感影像分类识别中的应用现状及其发展趋势[J]. 测绘与空间地理信息, 2020, 43(4):114-117,120.
[3] 王巍, 袁涛, 周伟,等. 一种高分辨率遥感影像汽车识别检测方法[J]. 测绘通报, 2013(10):87-90.
[4] 赵亮, 王晓峰, 袁逸涛. 基于深度卷积神经网络的船舶识别方法研究[J]. 舰船科学技术, 2016,38(15):119-123.
[5] 王斌, 范冬林. 深度学习在遥感影像分类与识别中的研究进展综述[J]. 测绘通报, 2019(2):99-102,136.
[6] REN S, HE K, GIRSHICK R, et al. Faster R-cnn:towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6):1137-1149.
[7] GIRSHICK R. Fast R-cnn[C]//Proceedings of 2015 IEEE International Conference on Computer Vision (ICCV). Santiago:IEEE, 2015.
[8] DENG Z, SUN H, ZHOU S, et al. Learning deep ship detector in SAR images from scratch[J]. IEEE Transactions on Geoence and Remote Sensing, IEEE, 2019, 57(6):4021-4039.
[9] HE K, ZHANG X, REN S, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(9):1904-1916.
[10] GIRSHICK R. Fast R-CNN[J]. Computer Vision Foundation, 2015:1440-1448.
[11] ZHANG N, DONAHUE J, GIRSHICK R, et al. Part-based R-Cnns for fine-grained category detection[C]//European Conference on Computer Vision. Zurich:Springer, Cham, 2014.
[12] LONG J, SHELHAMER E, DARRELL T. Fully convolu-tional networks for semantic segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 39(4):640-651.
[13] GALLEGO A J, PERTUSA A, GIL P, et al. Detection of bodies in maritime rescue operations using unmanned aerial vehicles with multispectral cameras[J]. Journal of Field Robotics, 2019,36(4):782-796.
[14] ZHAO J P, ZHANG Z H, YU W X, et al. A cascade coupled convolutional neural network guided visual attention method for ship detection from SAR Images[J]. IEEE Access, 2018, 6:50693-50708.
[15] 史文中, 朱长青, 王昱. 从遥感影像提取道路特征的方法综述与展望[J]. 测绘学报, 2001, 30(3):257-262.
[16] 杨存建, 周成虎. 基于知识的遥感图像分类方法的探讨[J]. 地理学与国土研究, 2001, 17(1):72-77.

基于Faster R-CNN的遥感影像船舶检测识别

Research on remote sensing image ship detection and identification based on Faster R-CNN

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	刘立, 董先敏, 刘娟, 文学虎. 人机融合智能的遥感解译生产新方法[J]. 测绘通报, 2022, 0(7): 118-123,137.
[2]	蔡柔丹. 一种基于用户异步轨迹的身份识别智能方法[J]. 测绘通报, 2022, 0(7): 158-162,167.
[3]	滕文鑫, 张建辰, 邵杰. 集成时空邻近与卷积网络车道级高精度定位算法[J]. 测绘通报, 2022, 0(6): 1-5,61.
[4]	李茂林, 闫庆武, 仲晓雅. 一种复合型校正植被信息的方法[J]. 测绘通报, 2022, 0(6): 49-54142.
[5]	李慧敏, 罗大伟, 窦世卿. 利用腾讯位置大数据进行多尺度人口空间化估算[J]. 测绘通报, 2022, 0(6): 93-97.
[6]	张龚泉, 岳建平, 刘胜男, 王海龙, 杨智翔, 周航宇. 基于遥感影像的鄱阳湖地形提取方法[J]. 测绘通报, 2022, 0(5): 62-66,73.
[7]	张晋赫, 秦育罗, 张在岩, 宋伟东, 朱洪波. 复杂场景下农村道路裂缝分割方法[J]. 测绘通报, 2022, 0(5): 74-78,88.
[8]	潘建平, 付占宝, 程卫华, 陆世安, 李鑫, 孙博文, 黄桂萍. 基于地表类型的山地海绵城市生态建设评估[J]. 测绘通报, 2022, 0(5): 84-88.
[9]	陈智朗, 付振华, 朱紫阳, 王慧慧, 刘沁雯, 杨钰灵, 许耿然. 基于HRNet的高分辨率遥感影像建筑物变化信息提取[J]. 测绘通报, 2022, 0(5): 126-132.
[10]	刘小玉, 刘扬, 杜明义, 张敏, 贾竞珏, 杨恒. 基于DeeplabV3+的建筑垃圾堆放点识别[J]. 测绘通报, 2022, 0(4): 16-19,43.
[11]	师芸, 石龙龙, 牛敏杰, 赵侃. 基于单阶段实例分割网络的黄土滑坡多任务自动识别[J]. 测绘通报, 2022, 0(4): 26-31.
[12]	王雪, 梁珂, 隋立春, 钟棉卿, 朱剑锋. 膨胀卷积与金字塔表达的深度学习模型用于农村建筑物提取[J]. 测绘通报, 2022, 0(4): 61-65.
[13]	高鸣, 周鑫鑫, 刘琦, 杨光迪, 吴长彬. 深度学习网络支持下的农房侵占耕地自动化监测[J]. 测绘通报, 2022, 0(3): 47-53.
[14]	段晨阳, 冯建中, 全斌, 白林燕, 王盼盼. 利用深度学习进行GF-6影像枣园检测识别[J]. 测绘通报, 2022, 0(3): 54-59.
[15]	王胜利, 朱寿红, 蒋毅. 基于CNN模型迁移的OLI影像光伏电池板场景识别[J]. 测绘通报, 2022, 0(2): 5-9.