从零开始学习SAR图像中的深度船舶检测器

摘要： 近期，基于深度学习的方法为合成孔径雷达（SAR）图像中的舰船检测带来了新思路。但仍存在若干挑战：1）深度模型包含数百万参数，而可用标注样本数量不足以支撑训练。因此多数深度检测器需微调在ImageNet上预训练的网络，这会导致SAR图像与ImageNet图像间巨大领域差异引发的学习偏差。此外，该方法对网络结构重新设计的灵活性极低；2）SAR图像中的舰船尺寸较小且密集聚集，而多数深度检测器因采用粗糙的特征图进行检测及极端的前景-背景失衡问题，在小目标检测上表现欠佳。针对这些问题，本文提出一种从零开始学习深度舰船检测器的有效方法。首先，我们设计由多个密集块组成的精简主干网络，使浅层能通过密集连接接收目标函数的额外监督，从而易于训练。同时采用特征复用策略实现高度参数效率，因此该主干网络可自由设计并有效从零训练，无需大量标注样本。其次，我们改进交叉熵损失以解决前景-背景失衡问题，并从多个中间层预测多尺度舰船候选区域以提高召回率。随后采用位置敏感得分图将位置信息编码至每个舰船候选区域以实现判别。在Sentinel-1数据集上的对比结果表明：1）从零开始学习的舰船检测器性能优于基于ImageNet预训练模型的检测器；2）本方法在检测小尺寸密集聚集舰船方面比现有算法更有效。