高分辨率可见光遥感影像港口舰船检测与识别对比图

        自动目标识别要求对遥感图像中存在的多类目标进行自动定位，并给出相应的标签类别，在目标的识别判读、遥感图像的语义检索等方面具有重要的意义，是遥感图像智能解译任务的重要研究方向。近日，先进信息网络北京实验室杨洁教授团队突破了遥感图像任意方向目标高精度定位、目标类别细粒度识别关键技术，在遥感图像智能解译研究领域取得重要进展，为遥感图像的智能化信息提取及应用奠定了坚实的技术基础。

        传统的基于滑窗搜索和人工设计特征相结合的目标检测方法主要针对单类目标，根据不同目标的固有特性，如尺寸、颜色、形状等分别设计人工特征，然后采用滑窗搜索的策略对整幅遥感图像中的特定目标进行提取。传统方法的优点在于简单易行，但是很难同时对多类目标进行检测，因此，传统的遥感图像目标检测方法难以适用于海量高分辨率遥感图像的目标检测任务。

        近年来基于深度学习框架的快速区域卷积神经网络（FRCN）为自动目标检测提供了一个有效的方法。该方法是一种快速、准确、一体化的检测框架，但是在以下几方面仍然受到制约：

        一是遥感图像中的目标通常是任意方向分布的，目标方向多变会给同-类目标的表征建模带来挑战；

        二是遥感图像中的目标通常尺寸差异较大，且往往呈现密集分布的特点，而FRCN类的方法对小而密集分布的目标检测性能不佳;

        三是基于深度学习的目标检测方法需要大量的标记样本进行训练，而遥感图像的目标标记复杂耗时，且需要专业的判读知识，难以构造大规模的训练集。

        基于此，杨洁教授团队面向高分辨率遥感图像智能解译需求，开展基于深度神经网络的遥感图像目标检测识别技术研究。针对目标多尺度特征，提出基于显著性估计的深度卷积神经网络方法，解决了训练样本与实测数据之间尺度不平衡造成的检测准确率损失问题；针对目标边界回归不连续问题，提出了复平面高维坐标回归方法，缓解了角度边界处存在的位置预测不连续现象；针对目标检测过程中广泛存在的虚警问题，提出了基于场景掩膜网络的目标检测方法，实现非目标区的虚警抑制。

        该实验室在该领域持续开展理论研究与技术公关，形成了一系列研究成果，发表SCI论文5篇，申请发明专利5项，指导研究生获得第一届“天智杯”人工智能挑战赛遥感影像智能检测与识别领域“科目三：高分辨率可见光遥感影像港口舰船检测与识别”第一名，第六届中国国际“互联网+”大学生创新创业大赛（北京赛区复赛）一等奖，相关原形系统目前已在某部队进行了试验验证，并承担了相应的研究项目。