高解像度可見光遙感影像港口艦船檢測與識別對比圖

        自動目標識別要求對遙感圖像中存在的多類目標進行自動定位，並給出相應的標籤類別，在目標的識別判讀、遙感圖像的語義檢索等方面具有重要的意義，是遙感圖像智能解譯任務的重要研究方向。近日，先進信息網絡bbin宝盈集团楊潔教授團隊突破了遙感圖像任意方向目標高精度定位、目標類別細粒度識別關鍵技術，在遙感圖像智能解譯研究領域取得重要進展，為遙感圖像的智能化信息提取及應用奠定了堅實的技術基礎。

        傳統的基於滑窗搜索和人工設計特徵相結合的目標檢測方法主要針對單類目標，根據不同目標的固有特性，如尺寸、顏色、形狀等分別設計人工特徵，然後採用滑窗搜索的策略對整幅遙感圖像中的特定目標進行提取。傳統方法的優點在於簡單易行，但是很難同時對多類目標進行檢測，因此，傳統的遙感圖像目標檢測方法難以適用於海量高解像度遙感圖像的目標檢測任務。

        近年來基於深度學習框架的快速區域卷積神經網絡（FRCN）為自動目標檢測提供了一個有效的方法。該方法是一種快速、準確、一體化的檢測框架，但是在以下幾方面仍然受到制約：

        一是遙感圖像中的目標通常是任意方向分佈的，目標方向多變會給同-類目標的表征建模帶來挑戰；

        二是遙感圖像中的目標通常尺寸差異較大，且往往呈現密集分佈的特點，而FRCN類的方法對小而密集分佈的目標檢測性能不佳;

        三是基於深度學習的目標檢測方法需要大量的標記樣本進行訓練，而遙感圖像的目標標記複雜耗時，且需要專業的判讀知識，難以構造大規模的訓練集。

        基於此，楊潔教授團隊面向高解像度遙感圖像智能解譯需求，開展基於深度神經網絡的遙感圖像目標檢測識別技術研究。針對目標多尺度特徵，提出基於顯著性估計的深度卷積神經網絡方法，解決了訓練樣本與實測數據之間尺度不平衡造成的檢測準確率損失問題；針對目標邊界回歸不連續問題，提出了複平面高維坐標回歸方法，緩解了角度邊界處存在的位置預測不連續現象；針對目標檢測過程中廣泛存在的虛警問題，提出了基於場景掩膜網絡的目標檢測方法，實現非目標區的虛警抑制。

        該實驗室在該領域持續開展理論研究與技術公關，形成了一系列研究成果，發表SCI論文5篇，申請發明專利5項，指導研究生獲得第一屆「天智杯」人工智能挑戰賽遙感影像智能檢測與識別領域「科目三：高解像度可見光遙感影像港口艦船檢測與識別」第一名，第六屆中國國際「互聯網+」大學生創新創業大賽（北京賽區複賽）一等獎，相關原形系統目前已在某部隊進行了試驗驗證，並承擔了相應的研究項目。