基于海天线检测的海面小目标检测方法研究.pdf

华中科技大学硕士学位论文

摘要

通过海面可见光图像进行海面目标检测，是确保海上军事行动、港口交通管理

等海洋工程安全的关键技术。然而由于海面环境复杂，以及远距离成像下海面小目

标本身存在特征表达能力较弱的问题，海面小目标的检测效果仍有待提高。同时，

由于现实海面场景中存在的目标长尾分布，海面目标检测任务在少样本条件下面临

更多挑战。针对以上问题，本文开展了海面小目标检测方法的研究。

针对缺乏公开的海面小目标检测数据集的问题，本文通过无人机采集并手工标

注了真实海面中的小目标，并结合公开海面目标检测数据集SeaShips，构建了海面

小目标检测数据集和少样本条件下的海面小目标检测数据集，为

后续的研究提供了数据基础。

针对海面小目标检测任务中现有模型检测精度低的问题，本文提出了一种基于

先验知识引导的海面小目标检测算法。在RPN网络中引入基于底边距优化的NWD

距离替代传统的IoU阈值，并在海天线检测的基础上，依据标注框的位置和尺度信

息实现正样本阈值的动态分配，增加了RPN网络中小目标的正样本数量和质量，从

而提升海面小目标的检测效果。同时在网络中引入抗混叠的CBAM注意力模块，提

高网络对小目标的关注能力。最后通过实验验证了本文提出的检测算法的有效性。

针对少样本条件下小目标检测任务中，海天线附近目标检测虚警率和漏检率高

的问题，本文提出了基于上下文的海面少样本目标检测算法。针对公开数据集海面

背景与现实海天线背景差异较大，海天线附近目标缺乏标注信息的问题，本文对公

开数据集的背景和目标进行了扩充，并利用扩充后的数据，训练海天线区域和非海

天线区域的网络分支。针对少样本条件下小目标特征表达能力进一步弱化的问题，

提出了一个尺度自适应的支持图像上下文信息提取模块，根据不同支持图像的尺度

大小，自适应地引入上下文信息，增强小目标的特征表达能力。针对海天线附近小

目标漏检率高的问题，在网络中引入基于海天线约束的显著性检测模块，通过计算

海天线区域的显著性特征，选取显著性突出的目标作为候选区域，提高海天线区域

I

华中科技大学硕士学位论文

小目标的召回率。实验证明本文提出的算法能有效提高少样本任务中海天线附近小

目标的检测效果。

关键词：海面小目标检测；少样本目标检测；海天线检测；深度学习

II

华中科技大学硕士学位论文

Abstract

Sea-Surfaceobjectdetectionusingvisiblelightimageryisakeytechnologyfor

ensuringthesafetyofmaritimeoperations,suchasmilitaryactionsandporttraffic

management.However,duetothecomplexsea-surfaceenvironmentandtheweakfeature

representationofsmallobjectatlongdistances,thedetectionperformanceofsmall

sea-surfaceobjectsstillneedsimprovement.Furthermore,thelong-taildistributionof

objectsinrealisticsea-surfacescenariosposesadditio