CRAS-YOLO：多類別船舶檢測與分類模型

作者：計算機視覺研究院 2024-07-11 12:30:00

目前，基于衛星圖像的多類別船舶檢測和分類由于在軍事和民用領域的重要應用而備受關注。

本文經計算機視覺研究院公眾號授權轉載，轉載請聯系出處。

01 前景概要

在今天分享中，我們團隊在FUSAR船舶數據集和SimpleCopyPaste方法的基礎上生成了一個新的Artificial-SAR-Vessel數據集中。我們進一步提出了一種新的多類船檢測，稱為CRAS-YOLO，它由卷積塊注意力模塊（CBAM）、感受野塊（RFB）和基于YOLOv5s的自適應空間特征融合（ASFF）組成。CRAS-YOLO改進了基于路徑聚合網絡（PANet）的特征金字塔網絡，該網絡集成了RFB特征增強模塊和ASFF特征融合策略，以獲得更豐富的特征信息，并實現多尺度特征的自適應融合。同時，在骨干中增加了CBAM，以準確定位船只位置，提高檢測能力。

結果證實，CRAS-YOLO模型的準確度、召回率和平均準確度（mAP）（0.5）分別高達90.4%、88.6%和92.1%。所提出的模型在另一個Sar船舶檢測（SSDD）數據集中的精度、召回率和mAP得分分別高達97.3%、95.5%和98.7%，也優于先前的研究結果。

02 項目背景

如今，深度學習已經突破了傳統目標檢測算法的瓶頸，成為檢測的主流算法。深度學習方法不需要在SAR圖像中分離海洋和陸地，只需要通過標記的數據集進行訓練，在目標檢測方面具有很大的優勢。目前流行的目標檢測算法有兩種類型。一種是基于區域推薦的兩階段目標檢測算法，其中代表性的方法有基于區域的卷積神經網絡（R-CNN）、Fast R-CNN和Faster R-CNN。其主要思想是利用選擇性搜索方法來生成建議區域，然后在建議區域中進行回歸分類。另一種是一階段目標檢測算法，它將檢測問題簡化為回歸問題，只需要卷積神經網絡就可以直接獲得目標的類概率和位置坐標。代表性算法包括YOLO、SSD、Retina-Net等。YOLO系列算法通常比其他算法更快，對小目標檢測效果良好。它們是經典的一階段檢測方法，通常比其他算法具有更快的識別速度，并且在小目標檢測中表現出優異的檢測能力。

迄今為止公開發布的上述SAR船舶探測數據集大多只包含船舶位置數據，缺乏船舶類別數據。同時，唯一一個名為SRSDD的公共多類別船舶檢測數據集存在嚴重的類別不平衡問題，嚴重影響了船舶檢測的準確性。因此，我們在研究中，基于FusarShip數據集和HAISI-1衛星拍攝的海面遠程合成孔徑雷達（SAR）圖像的組合，生成了一個新的數據集，稱為Artificial-SAR-Vessel據集。創新性地將SimpleCopyPaste方法引入到數據集的構建中，希望對SAR船舶檢測數據集進行補充，為船舶檢測數據缺乏的問題提供新的解決方案。

03 新研究框架介紹

我們研究的CRAS-YOLO是為了在給定SAR圖像的情況下，在精確定位船只位置和提高檢測能力方面提供高性能而形成的。下圖中的流程圖顯示了所提出的CRAS-YOLO是如何開發的。

首先，生成了Artificial-SAR-Vessel數據集。其次，通過在YOLOv5s網絡中添加CBAM、RFB和ASFF，形成了所提出的CRAS-YOLO模型。接下來，給出了性能度量，以評估所提出的模型與其他模型相比的性能。最后，將所開發的CRAS-YOLO模型應用于基于衛星圖像的船舶探測。

在我們的研究中，提出的CRAS-YOLO船舶檢測和分類模型基于YOLOv5s，通過在PANet（RA PANet）中添加RFB和ASFF來改進FPN，以獲得更豐富的特征信息，并實現多尺度特征的自適應融合。擬議的CRAS-YOLO還將CBAM集成到網絡的頸部。CRAS-YOLO的完整網絡結構如下圖所示。