近日，成像探测与智能感知（IDIP）实验室在遥感图像舰船目标检测识别领域取得重要研究进展，在IEEE汇刊《IEEE Transactions on Geoscience and Remote Sensing》（JCR-1区/TOP，IF=8.125）发表了题为“KCPNet: Knowledge-Driven Context Perception Networks for Ship Detection in Infrared Imagery”的学术论文。

       硕士生韩雅琪为该论文第一作者，彭真明教授和蒲恬老师为论文共同通讯作者，电子科技大学为唯一作者单位。

       舰船作为海上运输的重要载体，是海洋监测的重点目标。复杂海洋环境自动舰船检测在海洋交通管制、海上救援、环境监测等民用及军事领域都有极其重要的战略意义。红外遥感因可全天候工作、隐蔽性好、可反侦察、环境适应能力强等不可替代的优点, 是重要的舰船检测数据来源。

       然而，现有舰船检测方法大多都基于可见光图像或者SAR图像，基于红外图像的舰船检测方法极为稀少，其中一个重要原因是红外图像的敏感性和不易获取性导致的红外舰船公开数据稀缺。此外，相较于自然图像的检测任务，基于红外图像的舰船检测还具有图像低质、场景和天气复杂、目标小且语义特征微弱等挑战。

       实验室率先开展基于红外成像的舰船目标检测及识别方法研究。作者建立了首个红外舰船公开数据集（Infrared Ship Detection Dataset，ISDD）。

图1 构建的红外舰船数据集

       ISDD数据集共包含1284张图像和3061个舰船实例，包含拖尾场景、近岸场景、靠岸场景、海浪场景、多云场景多种复杂场景，数据集中还有昼夜温差导致的海陆灰度多极性现象。

       针对红外舰船检测的难点，提出了知识驱动的上下文感知网络（Knowledge-Driven Context Perception Networks, KCPNet）模型。

图2  知识驱动的上下文感知网络

       在KCPNet模型中，针对目标小的难点，作者提出了平衡特征融合网络，将高层特征图和低层特征图折中融合，该网络输出的融合特征图在保持了较高分辨率的同时具有丰富的语义信息，避免了在多次池化后得到的具有丰富语义的高层特征图中小型目标的信息损失，有效提升对小型舰船的检测准确率和召回率，融合过程中的通道注意力模块的加入也使网络可以自适应增强重要通道的权重，减少融合特征中的冗余信息。

       此外，感受野扩张模块中设计的空洞卷积的密集连接方式可以进一步丰富融合特征图中的信息层次；考虑到人眼在检测目标时会参考物体周边的上下文信息，针对背景复杂和虚警干扰严重的难点，作者建立了上下文注意力子网以突出目标和背景的信息差异，同时增强目标周边的相关上下文信息，从而大大抑制杂波和减少虚警。

       实验验证发现，仅使用深度特征无法区分部分虚警和目标，作者参考人类检测目标时会充分利用个人对目标的先验知识这一特性，设计了一个知识驱动的检测头，将几何、纹理、对比度等视觉特征作为先验知识融入深度神经网络，使视觉特征建模方法与深度学习方法优势联合、缺点互补，实现对舰船目标的集成感知，局部结构信息的引入改善了具有黑盒属性的神经网络缺少目标先验知识的缺点，可以有效去除与舰船十分相似的虚警，同时，发挥深度神经网络的独特优势，检测速度快，并且在复杂场景下具有高检测准确性和鲁棒性。

图3 舰船检测结果 

       提出的方法在实验中具有良好的识别效果,与其他先进识别算法相比达到了最好的检测准确率。

       该项研究填补了红外遥感舰船数据集的缺失，提升了复杂场景下的舰船检测准确率和鲁棒性，网络中提出了各个网络部件也可灵活嵌入其他卷积神经网络。 

       近年来， IDIP实验室围绕对地观测遥感图像分析与场景理解、基于视觉的目标检测识别等开展了深入研究，取得了一些列创新研究成果。已在ISPRS J PHOTOGRAMM，IEEE-TGRS, IEEE-TMM, IEEE-JSTARS, IEEE-GRSL, Signal Process., Neurocomput., Opt. Exp.等主流期刊发表和交流高水平SCI论文百余篇，其中5篇入选ESI高被引论文。获授权专利120余项。研究成果获教育部、四川省等部省级科技进步奖多项，其中3项为实验室牵头单位。相关成果已在对地观测预警、红外探测及油气勘探等领域得到了应用。

       论文链接：https://ieeexplore.ieee.org/document/10004583