面向航天光学遥感场景压缩感知测量值的舰船检测_肖术明.pdf

第 31 卷 第 4 期2023 年 2 月Vol.31 No.4Feb.2023光学 精密工程 Optics and Precision Engineering面向航天光学遥感场景压缩感知测量值的舰船检测肖术明1，2，张叶1，2*，常旭岭1，2，孙建波1，2（1.中国科学院 长春光学精密机械与物理研究所，吉林 长春 130033；2.中国科学院大学，北京 100039）摘要：基于压缩感知的航天光学遥感成像系统可以在采样阶段通过硬件同时完成采样和压缩。在面临舰船检测任务时，系统需要重建原始场景，CS的场景重建过程计算量大、内存要求高且耗时。本文提出了直接对成像系统测量值进行舰船检测的算法基于压缩感知和改进 YOLO 的测量值舰船检测算法。为了模拟成像系统的分块压缩采样过程，利用步长和卷积核尺寸相等的卷积测量层对场景进行卷积运算，将高维图像信号投影到低维空间得到全图 CS 测量值。得到场景的测量值后，测量值舰船检测网络从测量值中提取舰船的位置信息。在主干网络中导入 SENet模块，利用改进后的主干网络来提取测量值的舰船特征信息；利用特征金字塔网络强化特征提取的同时融合浅层、中层和高层的特征信息，进而完成舰船的位置信息预测。其中，CS-IM-YOLO 将卷积测量层和 CS 测量值舰船检测网络连接起来端对端训练，大大简化了算法的预处理过程。通过数据集 HRSC2016评测算法性能，实验结果表明：CS-IM-YOLO 对于 SORS场景 CS测量值舰船检测的检测精度为 91.60%，召回率为 87.59%，F1值为 0.90，和 AP值为 94.13%。这充分表明该算法可以对 SORS场景的 CS测量值进行高质量的舰船检测。关键词：压缩感知测量值的舰船检测；压缩感知；深度学习；联合训练优化中图分类号：TP394.1；TH691.9 文献标识码：A doi：10.37188/OPE.20233104.0517Ship detection oriented to compressive sensing measurements of space optical remote sensing scenesXIAO Shuming1，2，ZHANG Ye1，2*，CHANG Xuling1，2，SUN Jianbo1，2（1.Changchun Institute of Optics，Fine Mechanics and Physics，Chinese Academy of Sciences，Changchun 130033，China；2.University of Chinese Academy of Sciences，Beijing 100039，China）*Corresponding author，Email：yolandaspirits.aiAbstract：The compressive sensing（CS）-based space optical remote-sensing（SORS）imaging system can simultaneously perform sampling and compression by using hardware at the sensing stage.The system must reconstruct the original scene during the ship detection task.The scene reconstruction process of CS is computationally expensive，memory intensive，and time-consuming.This paper proposes an algorithm 文章编号 1004-924X（2023）04-0517-16收稿日期：2022-03-31；修订日期：2022-04-21.基金项目：钱学森空间技术实验室创新工作站开放基金资助项目（No.GZZKFJJ2020003）；2019-长光复旦-基于中医的光照场自适应健康状态检测方法资助项目（No.Y9S333T190）；吉林省省院合作计划资助项目（No.2020SYHZ0031）第 31 卷光学 精密工程named compressive sensing and improved you only look once（CS-IM-YOLO）for direct ship detection based on measurements obtained by the imaging system.To simulate the block compression sampling process of the imaging system，the convolution measurement layer with the same stride and convolution kernel size is used to perform the convolution operation on the scene，and the high-dimensional image signal is projected into the low-dimensional space to obtain the full-image CS measurements.After obtaining the measurements of the scene，the proposed ship detection network extracts the coordinates of the ship from the measurements.The squeeze-and-excitation Network（SENet）module is imported into the backbone network，and the improved backbone network is used to extract the ship feature information using the measurements.The feature pyramid network is used to enhance feature extraction while fusing the feature information of the shallow，middle，and deep layers，and then to complete predicting the ships coordinates.CS-IM-YOLO especially connects the convolutional measurement layer and the CS based ship detection network for end-to-end training；this considerably simplifies the preprocessing process.We present an evaluation of the performance of the algorithm by using the HRSC2016 dataset.The experimental results show that the precision of CS-IM-YOLO for detection of ships via CS measurements in SORS scenes is 91.60%，the recall is 87.59%，the F1 value is 0.90，and the AP value is 94.13%.This demonstrates that the algorithm can perform accurate ship detection using the CS measurements of SORS scenes.Key words：ship detection oriented to compressive sensing measurements；compressive sensing；deep learning；joint training optimization1 引 言航天光学遥感（Space Optical Remote Sensing，SORS）场景的舰船检测是遥感领域的研究热点。舰船检测具有广泛的民用和军事价值，例如搜索和救援、港口管理、海洋环境监控、领土安全和军事侦察1-4。随着 SORS 成像系统成像分辨率的不断提高，系统获取的场景数据量也急剧增加。为了缓解数据存储和实时传输的巨大压力，传统的 SORS 成像系统并不会直接存储和传输探测器采集的原始场景数据，而是在传输前对数据进行压缩，以节省时间和空间资源。然而，这种方法数据采集的理论基础是奈奎斯特采样定理，必须以不小于信号带宽两倍的采样率对原始模拟信号进行均匀采样，以保存信号信息5。这就导致冗余信息只能在压缩阶段被丢弃，从而浪费了成像系统前端使用高成本检测器获取的采样资源。压 缩 感 知（Compressive Sensing，CS）是 一项 新 兴 技 术，如 果 信 号 在 某 个 变 换 域 是 稀 疏的，则高维信号可以通过与变换基无关的测量矩阵投影到低维空间，并且可以以远低于该变换基的采样率准确恢复原始信号6-7。CS 技术突破了奈奎斯特采样定理的瓶颈，能够以较低的采样率（远低于奈奎斯特采样率）采集场景数据，从而在数据采集的同时完成数据压缩。此外，CS 重构算法可以在原始数据稀疏的前提下，根据采集到的采样数据，理想地重构原始数据8，这就缓解了数据存储和实时传输的巨大压力。最近，一种基于 CS 的 SORS 成像系统被提出9-11，它凭借 CS 技术在采样阶段通过硬件同时进行采样和压缩。因此，成像系统可以减少对采样设备的需求，有效减少采样数据，节省存储空间，降低传输成本。当基于 CS 的 SORS 成像系统面临舰船检测任务时，需要的结果是舰船的位置属性。图 1（a）显示了基于 CS 的 SORS 成像系统执行船舶检测任务的流程。首先，光学系统对场景进行压缩采样获得 CS 测量值。然后，图像重建算法12-14作用于测量值得到重建的原始场景。最后，基于图像的舰船检测算法15-17作用于重建场景得到舰船位置信息。然而，将测量值重建为原始场景的过程计算成本高、内存要求高且耗时。因此，直接对 CS 测量值进行舰船检测可518第 4 期肖术明，等：面向航天光学遥感场景压缩感知测量值的舰船检测以有效地解决上述问题。图 1（b）显示了本文提出的基于 CS 的 SORS 成像系统执行舰船检测任务的流程。首先，与图 1（a）中的第一步相同，光学系统对场景进行压缩采样获得测量值。然后，将基于测量值的舰船检测算法直接应用于测量值得到舰船检测结果。近年来，基于卷积神经网络（Convolutional Neural Network，CNN）的图像舰船检测算法可以有效地学习复杂特征，实现高精度的舰船检测。文献 18 借助多尺度特征金字塔网络，利用RetinaNet 来检测 SAR 图像中的船只，可以更好地检测多尺度舰船。文献 19 采用基于无先验框的目标检测方法，利用 CenterNet 来检测遥感图像中的舰船。文献 20 通过分辨率归一化制作混合的训练样本数据集，在 Faster-R-CNN 的框架下构建了一个 3层卷积神经网络的舰船检测算法，取得了较好的检测效果。文献 21 通过模型剪枝，利用剪枝后的 YOLOv3框架对卫星图像进行船只检测，取得了较好的实时检测效果。然而，这些基于 CNN 的方法都用于提高场景舰船检测的准确性，而不能应用于 CS 测量值的舰船检测。基于 CNN 的方法可以有效地处理压缩后的图像数