小样本条件下宽幅光学卫星图像舰船目标智能快速检测算法

采用基于可学习锚框的单阶段目标检测模型，将模型预测具有高预测置信度的误检测框定义为新的一类(混淆目标)，并将其加入到原始的数据标签中;利用所有包含目标与混淆目标的图像块二次训练模型，得到最终的目标检测模型。得到的模型不仅能够以高召回率检测出目标，还能将易误检的背景预测为混淆目标，从而获取较高的精确度，降低虚警率。最终实现了在小样本条件下对宽幅光学卫星图像中的船舶目标的智能和快速筛选，在检测率和虚警率方面优于常用方法。该方法还可以应用于地面车辆、油库、桥梁等目标及目标群的检测。

图1.样本图

随着电子科学技术和传感器科学技术的不断进步，大画幅遥感图像的星上高速/实时处理逐渐成为航天遥感领域的研究发展方向。目前的星上处理任务主要集中在图像预处理、海量数据处理、目标特征提取等方面，受星-地间数据传输带宽的限制，大画幅图像在回传地面前一般要进行3:1-8:1压缩比的有损压缩，地面解压图像存在一定程度的失真，对压缩后的失真图像进行复原处理非常困难。随着遥感影像分辨力的显著提高，所获数据量加速膨胀，与此同时遥感图像的应用规模和用户数量也不断增加，因此对遥感图像处理的速度和效果提出了更高的要求。技术难点主要体现在未经压缩的大画幅遥感图像数据量庞大，实现实时处理不仅需要优化的程序，还需要能够承受庞大数据量通过的硬件系统。本技术能够实现对星载相机输出的大画幅遥感图像的实时处理，并能为星上图像处理系统的微型化、嵌入式的实际工程化应用提供支持。

本技术在“天智杯”人工智能挑战赛遥感数据智能解译应用领域科目2-1小样本条件下宽幅光学卫星图像舰船目标智能快速筛选中表现突出，荣获第一名，实测检测准确率优于90%。