李健偉，曲長文，彭書娟，鄧 兵

(海軍航空大學(xué)，山東煙臺264001)

0 引 言

合成孔徑雷達(dá)(synthetic aperture radar, SAR)是一種全天時全天候提供高分辨率圖像的主動式傳感器,自面世以來,在民用遙感、測繪和軍事偵察領(lǐng)域得到了廣泛的應(yīng)用。由于軍事應(yīng)用的需要,SAR圖像中艦船目標(biāo)檢測得到了大量研究[1-2]。艦船檢測可以分成3個步驟:預(yù)處理、候選區(qū)域提取和鑒別。恒虛警處理 (constant false-alarm rate,CFAR)是用于候選區(qū)域提取的常用的方法,可以對潛在的艦船區(qū)域進(jìn)行提取。它首先對雜波進(jìn)行統(tǒng)計建模,之后根據(jù)虛警率得到判定的門限值,將高于門限的像素點(diǎn)視為艦船像素,低于門限的視為背景。鑒別一般是采用人工設(shè)計的特征,訓(xùn)練分類器進(jìn)行二分類來實(shí)現(xiàn)?？梢杂糜阼b別的特征除了簡單的長度、寬度、長寬比和散射點(diǎn)位置等特征外,從計算機(jī)視覺領(lǐng)域引進(jìn)而來的特征也是常用的方法,且具有更強(qiáng)的魯棒性。例如,2004年Viola和Jones開創(chuàng)性地提出的人臉檢測器[3],被廣泛地用于各種應(yīng)用場景。該檢測器包括3個步驟:積分圖像特征、AdaBoost分類器和級聯(lián)結(jié)構(gòu),這3個步驟使其檢測速度和準(zhǔn)確率能夠達(dá)到很高。自此之后,針對該方法的改進(jìn)層出不窮,主要側(cè)重要兩方面,即設(shè)計更好的特征和設(shè)計更好的分類器。在特征方面,涌現(xiàn)出了方向梯度直方圖(histograms of oriented gradient,HOG)、加速版的具有魯棒性的特征(speeded up robust features,SURF)、局部二值模式(local binary patterns,LBPs)等新特征[4]。在分類器設(shè)計方面,提出了Boosting,支持向量機(jī)(support vector machines，SVM)及其改進(jìn)版本[5-6]。這兩種思路在過去幾十年促使著這個領(lǐng)域繼續(xù)前進(jìn)。但是,自從2012年深度學(xué)習(xí)技術(shù)的興起[7],基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)主宰了這個領(lǐng)域。因此,也非常有必要將基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)應(yīng)用到SAR圖像艦船目標(biāo)檢測中。

2012年,AlexNet贏得了ImageNet大賽圖像分類的冠軍之后,神經(jīng)網(wǎng)絡(luò)迎來了它的另一次復(fù)興[7]。之后出現(xiàn)的ZF-Net、VGG-Net、GoogLeNet和ResNet等一次又一次地刷新著分類比賽的記錄[8],引領(lǐng)人工智能的新一次浪潮。與此同時,Ross 和 Kaiming[9]將卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)應(yīng)用到目標(biāo)檢測任務(wù)。他們提出了一系列有效的目標(biāo)檢測算法,也刷新著目標(biāo)檢測競賽的記錄,并在自動駕駛、智能安防、偵察遙感等領(lǐng)域得到了快速的應(yīng)用。這些算法包括R-CNN、SPP-net、Fast R-CNN和Faster R-CNN[10-12]。尤其是Faster R-CNN在各個領(lǐng)域均取得了非常好的檢測效果。

本文建立了一個專門用于SAR圖像艦船目標(biāo)檢測的數(shù)據(jù)集(SAR ship detection dataset,SSDD),下載鏈接為https:∥pan.baidu.com/s/1dF6g3ZF。該數(shù)據(jù)集含有多種成像條件下的艦船SAR圖像,可以作為該領(lǐng)域研究人員用于評估其算法的一個基礎(chǔ)。在這個數(shù)據(jù)集的基礎(chǔ)上,提出了一些方法來提升檢測的準(zhǔn)確率和速度,包括特征聚合、遷移學(xué)習(xí)和損失函數(shù)設(shè)計等,最后通過一系列對比實(shí)驗(yàn)驗(yàn)證了所提方法的在檢測準(zhǔn)確性和效率的優(yōu)越性。

1 基于CNN的目標(biāo)檢測技術(shù)

Ross 首次將CNN用于目標(biāo)檢測領(lǐng)域提出了R-CNN[9],該方法在目標(biāo)檢測領(lǐng)域取得了非常好的效果,證明了深度學(xué)習(xí)用于目標(biāo)檢測的有效性,如圖1(a)所示(圖中Selective search是提取候選區(qū)域的一種方法)。該方法有兩個步驟:產(chǎn)生與類別無關(guān)的候選框和訓(xùn)練分類器對候選框進(jìn)行分類。每幅圖像大概會產(chǎn)生2 000個候選框,每個候選框都需輸入CNN進(jìn)行特征提取,導(dǎo)致后續(xù)計算復(fù)雜。為了解決這個問題,SPP-net[10]和 Fast R-CNN[11]先后被提出,如圖1(b)所示。這兩種方法只將整幅圖像輸入CNN一次來提取特征,然后將候選區(qū)域映射到最后的特征圖上,而不需對每個候選窗口都進(jìn)行CNN處理,極大地減小了處理時間。Fast R-CNN是在SPP-net基礎(chǔ)上的改進(jìn),用一個空間金字塔池化(spatial pyramid pooling, SPP)層來將不同尺寸的候選窗口變成固定長度的特征,用于訓(xùn)練后面的分類器,這使其可以進(jìn)行端到端的訓(xùn)練(CNN模型在ImageNet進(jìn)行了預(yù)訓(xùn)練)。Fast R-CNN另一大亮點(diǎn)是將分類和回歸任務(wù)放在一個損失函數(shù)里進(jìn)行聯(lián)合優(yōu)化,達(dá)到了非常好的效果。但是,候選區(qū)域提取模塊仍然是獨(dú)立于CNN的,這是對算法進(jìn)一步提升的最大的瓶頸。

為進(jìn)一步對檢測器進(jìn)行加速,文獻(xiàn)[12]提出了Faster R-CNN,如圖1(c)所示。它包括兩個模塊,第一個是全卷積網(wǎng)絡(luò)產(chǎn)生候選窗口,稱為區(qū)域候選網(wǎng)絡(luò)(regional proposal network,RPN)。第二個是Fast R-CNN檢測器,它的任務(wù)是對RPN產(chǎn)生的候選窗口進(jìn)行分類和位置微調(diào),由于RPN和Fast R-CNN共享了卷積層,這大大減小了算法的計算量,可以達(dá)到實(shí)時檢測。R-CNN、Fast R-CNN和Faster R-CNN的算法原理以及處理效果如圖1所示。

圖1 R-CNN、Fast R-CNN和Faster R-CNN的算法原理以及處理效果Fig.1 Principle and result of R-CNN, Fast R-CNN and Faster R-CNN

Faster R-CNN得到了極大的關(guān)注,讓自動駕駛、智能安防和遙感偵察等領(lǐng)域的研究人員看到了實(shí)時檢測目標(biāo)的可能性。Faster R-CNN在通用目標(biāo)檢測(例如光學(xué)圖像中的人、車、動物等)領(lǐng)域取得了很好的效果,它的RPN模塊起到了主要的作用,如圖2所示。RPN在經(jīng)典CNN模型之后會有一個3×3的全卷積層。它利用不同尺度和長寬比下的矩形框(本文稱為anchor)來實(shí)現(xiàn)不變性(旋轉(zhuǎn)不變和尺度不變)。anchor 是指在卷積特征圖上得到的不同尺寸的矩形框。文獻(xiàn)[12]在特征圖的每個位置會有9個anchors,即包括3種不同的尺度和長寬比。假定卷積特征圖的尺寸是W×H,那么anchor的個數(shù)就為W×H×k個。由于RPN與Fast R-CNN共享卷積運(yùn)算,所以Faster R-CNN算法可以在0.2 s檢測完一幅圖像,圖2中,CNN結(jié)構(gòu)為VGG-16,RoI代表感興趣區(qū)域(region of interest,RoI)也就是候選窗口。

圖2 Faster R-CNN和RPNFig.2 Faster R-CNN and RPN

Faster R-CNN利用VGG-16模型,在通用目標(biāo)檢測數(shù)據(jù)集PASCAL VOC 2007 和 2012上分別具有73.2%和70.4%的平均準(zhǔn)確率,在TITAN X GPU上速度達(dá)到5 fps。Faster R-CNN的極大成功顯示了深度學(xué)習(xí)用于目標(biāo)檢測的巨大的潛力。

盡管Faster R-CNN在上述多類目標(biāo)數(shù)據(jù)集取得了很好的效果,但其在SAR圖像艦船檢測效果卻差強(qiáng)人意,筆者認(rèn)為主要有以下幾個原因。

(1)Faster R-CNN是在PASCAL VOC等數(shù)據(jù)集取得了非常好的效果,它可以檢測到人、車、動物等目標(biāo)。這些物體通常會占據(jù)圖像的大部分空間,但是在SAR圖像艦船目標(biāo)檢測領(lǐng)域,船在圖像中包含的像元數(shù)目相對較少,而Faster R-CNN卻不擅長檢測這樣的物體。本質(zhì)原因是RoI池化層僅僅從最后一個特征圖采樣得到特征,而CNN的特征圖越往后其特征越利于分類但空間信息損失嚴(yán)重,因此其難以預(yù)測小尺寸的物體類別及其邊框。

(2)由于成像原理的不同,SAR圖像與普通光學(xué)圖像差別較大。從ImageNet數(shù)據(jù)集(全是光學(xué)圖像)學(xué)習(xí)到的特征不一定適用于SAR圖像。因此，將ImageNet數(shù)據(jù)集預(yù)訓(xùn)練得到的特征遷移到本領(lǐng)域,不見得會適用,除非只遷移CNN前幾層低級的特征,大部分特征從SSDD數(shù)據(jù)集中去學(xué)習(xí),才會有較好的效果。

(3)由于兩類數(shù)據(jù)集的不同,Faster R-CNN很多細(xì)節(jié)需要做適應(yīng)性的改變才能適應(yīng)SAR艦船目標(biāo)檢測領(lǐng)域,例如anchor的個數(shù)等。

針對以上問題,下文在第3節(jié)對Faster R-CNN進(jìn)行適應(yīng)性改進(jìn),使其能夠克服上述3個問題。

2 SSDD

深度學(xué)習(xí)目標(biāo)檢測最基本的要求是要用一個規(guī)模較大的數(shù)據(jù)集。因此,建立了SSDD,其可以用于訓(xùn)練深度學(xué)習(xí)模型,用于研究人員在這個統(tǒng)一的數(shù)據(jù)集去評價他們算法的性能,據(jù)筆者所知這是本領(lǐng)域第一個公開的數(shù)據(jù)集。對于每條船,檢測算法會預(yù)測目標(biāo)的邊框以及是艦船目標(biāo)的可能性。筆者模仿PASCAL VOC[13]數(shù)據(jù)集構(gòu)造了SSDD,按照7∶2∶1的比例將數(shù)據(jù)及分成訓(xùn)練集、測試集和驗(yàn)證集,SSDD盡量包含了多種成像條件,例如不同分辨了、尺寸、海況和傳感器類型等。數(shù)據(jù)集樣本的多樣性使訓(xùn)練出來的檢測器具有更好的魯棒性。

圖3是SSDD中每幅圖像艦船個數(shù)的統(tǒng)計結(jié)果,NoS (number of ships)表示船的個數(shù),NoI(number of images)表示圖像個數(shù)。

圖3 SSDD中NoS 和 NoI相應(yīng)的關(guān)系Fig.3 Relationship between NoS and NoI in SSDD

在SSDD數(shù)據(jù)集中,一共有1 160幅圖像和2 456艘艦船,平均每幅圖像有2.12艘船。后續(xù)根據(jù)任務(wù)需要會增加樣本個數(shù),擴(kuò)充數(shù)據(jù)集。相比于有9 000多幅圖像、20類目標(biāo)的PASCAL VOC數(shù)據(jù)集,SSDD足夠大到可以對艦船這一類目標(biāo)進(jìn)行訓(xùn)練檢測器。圖4是SSDD中艦船的多樣性,從左到右,從上到下依次是1 m分辨率的靠近碼頭的船、開闊海域的7艘船、靠近碼頭的艦船、 15 m分辨率的開闊海域的八艘船、靠近岸邊的兩條船、1 m分辨率開闊海域船。

圖4 SSDD的部分樣本Fig.4 Samples of SSDD

由于一些小船在低分辨率下只有極少量的像素個數(shù),有時很難通過人眼確定是不是船。因此,將像素個數(shù)大于3個的視作船的像素,并對其做標(biāo)注。標(biāo)注所用的是開源軟件“l(fā)abelimg”,該軟件很容易就能對船做標(biāo)簽(x,y,h,w),其中，(x,y)是艦船所在矩形框左上角的坐標(biāo),h是矩形框的高度,w是矩形框的寬度。

3 基于CNN的SAR圖像艦船目標(biāo)檢測

3.1 基于特征聚合的小尺寸目標(biāo)檢測

相比于PASCAL VOC數(shù)據(jù)集,SAR圖像中艦船目標(biāo)的尺寸普遍較小,且尺度變化較大,標(biāo)準(zhǔn)的Faster R-CNN算法無法較好地適應(yīng)這些目標(biāo),尤其是容易漏掉小尺寸的目標(biāo)。這是由于后幾層的感受較大的原因,會忽略掉一些重要的特征導(dǎo)致漏檢小目標(biāo)的現(xiàn)象[14]。圖5為本文所提出的檢測方法的結(jié)構(gòu)圖:通過聚合不同層的特征,可以檢測到不同尺寸的目標(biāo),這里將第3個卷積層和第5個卷積層的特征進(jìn)行聚合。

在標(biāo)準(zhǔn)的Faster R-CNN中,5個卷積層后面會接修正線性單元(rectified linear unit, ReLU), 局部響應(yīng)歸一化 (local response normalization,LRN)和最大池化層。但是在我們的結(jié)構(gòu)中最后的卷積層后只有一個ReLU激活層,因?yàn)镽oI池化層具有了最大池化的功能。

圖5 特征聚合示意圖Fig.5 Feature concatenation

特征聚合包括標(biāo)準(zhǔn)化和1×1卷積,對每一個RoI池化之后的向量進(jìn)行標(biāo)準(zhǔn)化,可以減小不同層之間的尺度差異,防止大特征主宰了小特征,這個改變使系統(tǒng)更加穩(wěn)定,進(jìn)一步增加準(zhǔn)確率。L2標(biāo)準(zhǔn)化是針對池化之后的特征圖的每個像素進(jìn)行的,標(biāo)準(zhǔn)化之后對每個特征向量進(jìn)行尺度變換:

(1)

(2)

(3)

在訓(xùn)練過程中,尺度因子γ的更新和輸入x通過后向傳播和鏈?zhǔn)椒▌t計算,即

·γ

(4)

(5)

(6)

式中,y=[y1,y2,…,yd]T。

3.2 基于模型遷移的預(yù)訓(xùn)練

自然圖像訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)都有一個現(xiàn)象:前幾層學(xué)習(xí)得到的底層特征類似于Gabor濾波器,這些特征不是某個數(shù)據(jù)集或者任務(wù)獨(dú)有的,而后幾層學(xué)習(xí)到的高層特征會根據(jù)數(shù)據(jù)集或者任務(wù)的不同而不同[15]。實(shí)際上,大部分研究人員都不會從頭訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),他們在ImageNet預(yù)訓(xùn)練之后的模型進(jìn)行微調(diào),將預(yù)訓(xùn)練之后的模型視為初始化或者特征提取器。

ZF-Net[16]是Krizhevsky的AlexNet變體,它將第一個濾波器的尺寸從11×11 減到 7×7,將stride減到2,ZF-Net有5個卷積層和3個全連接層,基于以上分析,固定前3層,在SSDD數(shù)據(jù)集上精調(diào)后2層。利用的ZF-Net的結(jié)構(gòu)如圖6所示。

圖6 基于ZF-Net的遷移學(xué)習(xí)Fig.6 Transfer learning based on ZF-Net

3.3 損失函數(shù)設(shè)計

為了訓(xùn)練這個網(wǎng)絡(luò),把以下兩種RoI看做兩種正樣本:第一種是與目標(biāo)真實(shí)邊框(也稱為ground-truth)有最高的交并比 (intersection over-union,IoU);第二種是與ground-truth的重疊高于0.7。把IoU低于0.3的視為負(fù)樣本,其他的RoI不參與訓(xùn)練?；谝陨戏治?優(yōu)化多任務(wù)損失函數(shù)[12]如下:

L({pi},{ti})=

(7)

tx=(x-xa)/wa,ty=(y-ya)/ha

tw=lg(w/wa),th=lg(h/ha)

式中,x,y,w,h分別代表邊框中心的坐標(biāo)、寬度、高度。

3.4 應(yīng)用細(xì)節(jié)

采用非極大值抑制(non-maximum supression,NMS)來抑制那些冗余的框, 抑制的過程是一個迭代-遍歷-消除的過程。首先,將所有框的得分降序排列,選中最高分及其對應(yīng)的框;其次,遍歷其余的框,如果和當(dāng)前最高分框的重疊面積(intersection of union,IOU)大于一定閾值,就將框刪除;最后,從未處理的框中繼續(xù)選一個得分最高的,重復(fù)上述過程。

為了防止過擬合,將dropout比率從0.5改到0.6。dropout是指在深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練過程中,對于神經(jīng)網(wǎng)絡(luò)單元,按照一定的概率將其暫時從網(wǎng)絡(luò)中丟棄,dropout是CNN中防止過擬合的較好的方法[17]。對于anchor,利用面積為1282和 2562像素2種尺度,2種長寬比, 1∶2和2∶1(由于艦船目標(biāo)沒有正方形,所以去掉了1∶1的anchor)。由于SAR圖像中的船是稀疏的,因此將每個特征點(diǎn)產(chǎn)生的anchor個數(shù)從9減到4個,這會加速本文算法而不會降低準(zhǔn)確率;其他RPN超參數(shù)如文獻(xiàn)[12]所示。利用精調(diào)之后的RPN,采用門限為0.7的NMS對候選區(qū)域進(jìn)行濾除,去掉得分小于最大的那些。

難樣本挖掘是指從RoI中選擇容易檢測錯的樣本,而不是簡單的采樣。在進(jìn)行前向傳播時,全部的RoI通過網(wǎng)絡(luò),根據(jù)損失值排序,后向傳播時根據(jù)排序,選擇前幾個損失值最大的樣本(容易出錯的難例樣本)來后向傳播更新模型的權(quán)重[18]。難樣本挖掘是提升檢測器性能的有效的方法,需要做到就是收集那些難樣本,將它們再一次送入網(wǎng)絡(luò)訓(xùn)練。在訓(xùn)練過程中,將難樣本的RoI進(jìn)一步精調(diào)模型,提升結(jié)果會在下一部分進(jìn)一步說明。

圖7為幾個典型的難樣本,圖7(a)是SSDD中第757個樣本,高分辨率大尺寸,圖7(b)是SSDD中第59個樣本,低分辨率小尺寸。

圖7 典型難樣本Fig.7 Typical hard negative examples

4 實(shí)驗(yàn)結(jié)果

利用Caffe[19]框架在SSDD上去訓(xùn)練檢測器,ZF-Net是基本架構(gòu),已在ImageNet進(jìn)行了預(yù)訓(xùn)練,計算環(huán)境是64位Ubuntu 14.04操作系統(tǒng),計算機(jī)CPU Intel(R) Core(TM) i7-6770K @ 4.00GHz×8 and NVIDIA GTX1080 GPU(8G 內(nèi)存),用CUDA8.0和cuDNN5.0加速。

算法的衡量指標(biāo)是平均準(zhǔn)確率(average precision, AP)和平均處理時間。從表1可以看到,標(biāo)準(zhǔn)的Faster R-CNN在AP和平均處理時間上都有很大的優(yōu)勢。文中所提的方法將AP從70.1% 提高到了 78.8%,同時具有更少的時間開銷。AP提高了是因?yàn)閷μ卣鞯睦酶映浞侄?處理速度更快了,是因?yàn)榻档土薬nchor的個數(shù)。

表1 算法對比分析

隨機(jī)選擇一些不同情況下的檢測結(jié)果進(jìn)行分析,如圖8所示。從圖8中可以看出，本文方法不僅能對大片海域的艦船目標(biāo)檢測,同時也能夠適應(yīng)港口和近岸區(qū)域的艦船目標(biāo)。且不需要傳統(tǒng)方法的海陸分割、預(yù)處理、雜波建模和參數(shù)估計等過程,是完全端到端的,即輸入圖像直接通過模型輸出檢測結(jié)果。

圖8 數(shù)據(jù)集SSDD部分樣本檢測結(jié)果Fig.8 Result of some samples in SSDD

為了進(jìn)一步評估所提方法的性能,繼續(xù)進(jìn)行了一些實(shí)驗(yàn),目的是驗(yàn)證第3節(jié)中不同策略的有效性。

表2中第4行顯示了特征聚合對性能提升的效果,通過第3.1節(jié)中的特征聚合,本模型可以檢測到不同尺寸的艦船,平均準(zhǔn)確率從70.1% 提升到了76.4%,同時檢測時間增加的非常小(15 ms)。表2中第5行進(jìn)一步評估了遷移學(xué)習(xí)策略的性能,由于SSDD是一個關(guān)于艦船SAR圖像的較小的數(shù)據(jù)集,它與通用目標(biāo)數(shù)據(jù)集有較大的差別。如果將整個卷積層遷移過來,平均準(zhǔn)確率為70.1%,如果將前3層卷積遷移過來,在SSDD數(shù)據(jù)集上微調(diào)后幾層,平均準(zhǔn)確率增加到74.3%,而檢測時間幾乎不變。難樣本挖掘同樣也使檢測性能得到了提升,平均準(zhǔn)確率從70.1%增加到了75.6%,同時,由于沒有對模型進(jìn)行改變,只改變了訓(xùn)練樣本分別,所以只增加了訓(xùn)練時間,而檢測時間未增加。對anchor和候選窗口個數(shù)的影響進(jìn)一步做了實(shí)驗(yàn),標(biāo)準(zhǔn)Faster R-CNN用的是9個anchors,我們?nèi)サ?12×512尺寸和1∶1長寬比的anchor,實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn),這降低了檢測時間,但是平均準(zhǔn)確率下降的很小。NMS稍微增加了平均檢測準(zhǔn)確率,測試時間沒變。將dropout比率從0.5變到0.6,平均準(zhǔn)確率增加了1.5%,但是如果增加到0.7性能會下降,這意味著所選的比率能有效地避免過擬合。最后結(jié)合上述所有的策略,本文所提的方法將檢測準(zhǔn)確率提升到了78.8%,如表2中第3行所示。

表2 進(jìn)一步實(shí)驗(yàn)的結(jié)果

5 結(jié) 論

本文建立了用于艦船檢測的SAR圖像數(shù)據(jù)集SSDD,SSDD是目前為止我們所知的SAR艦船檢測領(lǐng)域第一個公開的數(shù)據(jù)集,可以使研究人員在一個統(tǒng)一的條件下對比各自算法的性能,更具有可比性。在此數(shù)據(jù)集上,提出了檢測SAR圖像中艦船目標(biāo)的方法,該方法以標(biāo)準(zhǔn)的Faster R-CNN作為基本結(jié)構(gòu),并在特征聚合、模型遷移、損失函數(shù)以及其他應(yīng)用細(xì)節(jié)上進(jìn)行了創(chuàng)新,在SSDD上的實(shí)驗(yàn)證明了所提算法具有更高的檢測準(zhǔn)確率和更少的耗時,檢測準(zhǔn)確率從標(biāo)準(zhǔn)Faster R-CNN的70.1%提升到78.8%,每幅圖像處理時間從198 ms降低到183 ms。

本文方法使用的前提條件是需要收集大量的SAR圖像艦船目標(biāo)訓(xùn)練樣本,且制作相應(yīng)的標(biāo)簽用于模型訓(xùn)練,需要消耗較大的人力和物力。同時,本文所采用的基于深度學(xué)習(xí)的目標(biāo)檢測方法具有適應(yīng)性和擴(kuò)展性強(qiáng)的特點(diǎn)。適應(yīng)性強(qiáng)是指不需像傳統(tǒng)檢測方法那樣進(jìn)行海陸分割、預(yù)處理等多個步驟,而是進(jìn)行完全端到端的進(jìn)行訓(xùn)練;擴(kuò)展性強(qiáng)是指,通過收集新的樣本可以完成對新樣本的檢測,不需要專門設(shè)計檢測算法。筆者相信基于深度學(xué)習(xí)的目標(biāo)檢測方法會成為SAR圖像艦船目標(biāo)檢測的主流方法。