国创10.18总结

研读论文概述

本周主要研读了遥感学报，题为 复杂卫星图像中的小目标船舶识别 的论文，十分贴近本课题需求，有较大的借鉴价值。

论文梳理

针对卫星图像中云雾、海岸背景等复杂海情对船舶识别带来的干扰，以及小目标船舶高漏检率问题，该文章提出一种多尺度深度学习模型训练策略，在此基础上构建了一种船舶识别的深度学习网络，该网络可分为多尺度训练、特征提取、生成目标建议区域、船舶分类这4个部分。首先，采用多尺度的训练策略，将多尺度的船舶样本送入网络中进行训练，这样在训练样本中加入了大量小目标船舶的样本，使网络充分提取到小目标船舶的特征；其次，通过卷积神经网络对目标船舶进行特征自适应提取；然后，目标区域建议网络可依据卷积神经网络提取到的特征，在图像中找到感兴趣目标区域，即框定船舶的位置；最后，通过多个全连接层的组合，将高维特征映射到一个4元组中，再运用分类函数输出每一类船舶的概率值，概率值最大的则为该船舶的类别。

同时为解决云雾遮挡和海岸背景的干扰，采用了一种负样本增强学习的方法，在样本数据集中加入了大量只含有云雾和海岸背景的图片，进行负样本扩充，增强网络模型对云雾及海岸背景的特征学习能力，以此解决复杂海情的影响。

启发与应用

该文章基于 FAST-RCNN 和 RPN 两个模块进行识别，取得了很好的精度效果，强烈建议采用类似的模块进行识别；多尺度训练的引入，由于卫星图像中的船舶目标较小，尺寸不一，会影响识别率。另外数量样本有限，训练时不能充分提取目标特征，易造成船只目标误检或漏检。我们可以将训练集进行多个尺寸的放缩，以提高鲁棒性；负样本增强学习的引入，由于实际卫星图中存在云雾或者海岸线的干扰，不利于识别，本文在训练中加入了负样本学习部分，在样本数据集中加入了大量只含有云雾和海岸背景的图片，进行负样本扩充，增强网络模型对云雾及海岸背景的特征学习；建议采用数据集–> DataFountain（2017），包含船舶类型较简单（主要包括货轮、邮轮、渔船、游艇4类船只），方便进行分析和计算，同时也具有实际意义。

下周计划

精读两篇卫星船舶识别的前沿论文，形成目前前沿技术简报；配合完成综述相关工作；为编程组提供理论支撑。

11月2日总结

论文论文概述

本周研读的是2020年的硕士论文《基于卷积神经网络的船舶识别》，进一步理解了深度学习背景下目标识别的有关问题。

论文梳理与思考

基于YOLOv3（以下简称v3）:v3是在v1和v2思想的基础上提出的，其具有一些独特的优势，为了更清楚地了解，我参考了华盛顿大学的一篇文章：YOLOv3链接 这项框架基本成熟且有相当的理论和学习资料，后续可以直接引用！ 附参考学习推荐网站：YOLO3学习。层级融合算法：本论文在经典v3的基础上融合了自己的优化理解，即 层级融合算法，精确度提升达10%，通过对不同层特征的提取和处理，达到了较好的效果，这里值得我们借鉴。

其他方面

本周在杨同学的带头下，猫狗识别源码基本完成，相关的训练测试集也已获取完成，（数据集与源码配置）我也在电脑建立了虚拟机运行环境，下周可以正常实现针对 猫 狗 马 的识别功能。

下周计划

配合完成猫狗马识别有关运行任务着手进行专利申报相关学习继续进行文献梳理和有用信息提取