劉順利，劉昌華

(河南理工大學 測繪與國土信息工程學院，河南 焦作 454003)

隨著遙感技術(shù)的快速發(fā)展，遙感衛(wèi)星提供了大量高分辨率的遙感影像，結(jié)合深度學習目標檢測算法在行業(yè)中得到了廣泛應(yīng)用。然而，面對復雜背景下遙感影像小目標物體的漏檢問題，如何提高小目標物體的檢出率對遙感影像目標物檢測精度的提升有著重要意義。曹磊等[1]基于改進RPN的Faster-RCNN網(wǎng)絡(luò)進行SAR圖像車輛目標檢測，加快了RPN的收斂速度，提高了檢測結(jié)果的查準率。林娜等[2]引入空洞殘差塊對Faster R-CNN的特征提取模塊進行優(yōu)化，在UCASAOD數(shù)據(jù)集上進行驗證，在提高遙感影像飛機檢測精度的同時，提升了模型的泛化能力。文莉莉等[3]基于注意力機制對Faster R-CNN進行改進，將卷積網(wǎng)絡(luò)和SKNet網(wǎng)絡(luò)相結(jié)合，增強模型的特征提取能力和特征有效性，應(yīng)用于海洋目標物檢測。這些算法都是在Faster R-CNN[4]算法的基礎(chǔ)上，通過改進其網(wǎng)絡(luò)結(jié)構(gòu)，提高遙感影像目標物體的檢測精度。但是，由于Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)復雜、檢測效率低下，而單階段的YOLO算法具備檢測效率高的優(yōu)勢，使得更多研究者開始對其改進。姜文志等[5]通過特征拼接和優(yōu)化損失函數(shù)改進YOLO v3，模型檢測船艦目標的平均精確度提升了6.72%。王彥超等[6]在卷積層和池化層之間加入殘差網(wǎng)絡(luò)并引入壓縮激勵注意力模塊強化有效特征改進YOLO v3-tiny，對奶牛關(guān)鍵部位檢測結(jié)果的平均精度均值和F1值分別提高了2.2%和6.2%。彭繼慎等[7]在YOLO v4的基礎(chǔ)上，在主干網(wǎng)絡(luò)上加入通道注意力機制，使用深度可分離卷積替換傳統(tǒng)卷積，平均精度均值少量下降，而參數(shù)量減少了94.9%，檢測速度提升2.3倍。

Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)與YOLO算法難以實現(xiàn)對檢測精度和檢測效率的同時兼顧。SSD算法[8]同時借鑒Faster R-CNN和YOLO算法的優(yōu)點，能夠?qū)崿F(xiàn)檢測精度和檢測效率的兼顧，吸引更多學者對SSD算法進行優(yōu)化。史文旭等[9]基于特征融合改進SSD算法，實現(xiàn)對遙感影像多尺度艦船目標檢測，提升復雜場景下檢測模糊艦船目標的效果。成喆等[10]基于RPN網(wǎng)絡(luò)對SSD算法進行改進，在提高小目標物檢測精度的同時，保證檢測速度。郭智等[11]以DenseNet作為基礎(chǔ)網(wǎng)絡(luò)提取不同層次的特征圖，通過特征融合將多層次特征信息融合，實現(xiàn)不同尺度的飛機檢測，提高復雜背景下遙感圖像目標物體的檢測精度。

上述改進SSD算法雖然都能提升檢測精度，但過多加深網(wǎng)絡(luò)結(jié)構(gòu)導致檢測速度的大幅度下降。此外，由于SSD網(wǎng)絡(luò)結(jié)構(gòu)簡單，使得淺層特征缺乏語義信息，容易丟失小目標信息，使算法在復雜場景下對小目標物體的檢測精度降低。因此，本文以VGG16[12]作為主干網(wǎng)絡(luò)，通過借鑒FSSD[13]的思想構(gòu)建特征融合模塊(Feature Fusion Module,FFM)實現(xiàn)對不同層次特征圖的特征融合，用于生成新的淺層特征圖提升對小尺度飛機的檢測能力，同時減少算法的參數(shù)量，加快模型訓練。在新的淺層特征圖后引入通道注意力機制SE模塊(Squeeze-and-Excitation Module)[14]替代CBAM，加強對重要通道特征信息的關(guān)注，抑制其他通道的特征信息，增強SSD對遙感影像小目標物體的識別能力，進而提高SSD算法對遙感影像目標物體的檢測精度。

1 材料與方法

1.1 SSD算法

SSD算法是一種基于深度學習的目標檢測算法，其主干網(wǎng)絡(luò)是VGG16，整體框架結(jié)構(gòu)如圖1所示。通過不同層次卷積層進行卷積運算生成不同尺度的特征圖，使用一系列固定尺寸的卷積過濾器對特征圖中的目標物進行檢測結(jié)果預測，使用默認框與每個特征圖切片相關(guān)聯(lián)，求出邊界框偏移量的輸出值，使用不同的長寬比可以有效地離散化可能的輸出框形狀的空間，進而實現(xiàn)在檢測精度不變的前提下，提升對目標物的檢測速度。

圖1 SSD算法框架結(jié)構(gòu)圖[5]

1.2 改進SSD算法

SSD算法雖能對不同尺度的目標物進行檢測，但對遙感圖像進行檢測時由于淺層特征語義信息較弱，存在對遙感影像小目標物檢測精度低的問題。為了提升SSD算法對小目標物的檢測能力，提出一種結(jié)合特征融合模塊和注意力模塊的改進SSD算法，如圖2所示，主要對SSD算法進行兩個方面的改進：一是對VGG16主干網(wǎng)絡(luò)進行改進，通過將不同尺度特征圖進行反卷積操作實現(xiàn)與淺層特征的融合，生成具有豐富語義信息和細節(jié)信息的淺層特征圖；二是在淺層特征圖后面添加注意力模塊，通過調(diào)整特征通道的權(quán)重，加強對重要通道特征信息的關(guān)注，進而提升對遙感影像小目標物的檢測能力。

圖2 改進SSD網(wǎng)絡(luò)模型

特征融合模塊(FFM)主要是將原VGG16網(wǎng)絡(luò)中的Conv4_3、FC7和Conv8_2進行卷積運算，用于生成具有豐富語義信息和細節(jié)信息新的淺層特征提取層Conv4_3_3、FC7_1和Conv8_2_2，該模塊的卷積運算如圖3所示。首先，使用通道數(shù)為256、卷積核大小為1*1的卷積核，分別對這3個特征圖進行卷積運算實現(xiàn)通道數(shù)上的相同；然后，分別使用卷積核為3*3、通道數(shù)256的卷積層，卷積核大小為3*3、通道數(shù)為256、步長為2*2的反卷積以及卷積核大小為3*3、通道數(shù)為256、步長為4*4的反卷積，進行卷積運算，生成尺寸大小為38*38，通道數(shù)為256的3個特征圖；最后，使用批量標準化(Batch Normalization,BN)解決網(wǎng)絡(luò)在反向傳播中的梯度爆炸和消失問題以及使用LeakyReLU激活函數(shù)增加模型的泛化能力，使用Add將經(jīng)BN處理的特征圖按對應(yīng)位置相加，得到具有豐富細節(jié)信息和語義信息的淺層特征圖，便于下一步生成新的特征提取層。

圖3 特征融合模塊

通道注意力機制模塊(SE Module)作用于特征提取層的淺層特征圖，根據(jù)不同通道的信息量，通過調(diào)節(jié)通道特征的權(quán)重，強化信息量豐富的通道特征和抑制其他的通道特征，該模塊如圖4所示，其中Ci、Di、Ei、Fi、Hi和Ii表示不同的特征圖。擠壓操作通過使用全局平均池化層將Ci各通道的全局空間特征作為該通道的特征信息表示，形成一個通道描述符Ci。提取操作通過使用兩個全連接層來學習Ci各通道的依賴程度，并根據(jù)其依賴程度對各通道的權(quán)重進行調(diào)整得到Ci。其中，第一個全連接層通過壓縮通道數(shù)C/r，減少參數(shù)的計算量；第二個全連接層的通道數(shù)為C，維持通道數(shù)與輸入特征圖一致，激活函數(shù)為Sigmoid。經(jīng)過訓練調(diào)試，r取16的整體性能和計算量最平衡；使用Multiply相乘操作將Ci和Ei逐元素相乘，得到尺寸調(diào)整過的Fi，對Fi使用卷積核大小為1*1、通道數(shù)為C的卷積層進行卷積操作，然后使用Add相加操作，得到融合不同層次特征信息的Hi;對Hi使用ReLU激活函數(shù)增強模型的表達能力和泛化能力，得到用于分類預測的Ii。

圖4 通道注意力機制模塊

為了解決SSD算法中的正負樣本不平衡問題，引入Focal loss代替Softmax loss解決分類損失問題，F(xiàn)ocal loss計算公式為：

(1)

其中：y′表示預測輸出，y是真實樣本標簽，a是正負樣本權(quán)重、γ是易分類樣本和難分類樣本權(quán)重。

采用Smooth L1計算回歸損失，當預測框和真實框標簽差值過大時，梯度值不至于過大，當預測框與真實樣本標簽差值過小時，梯度足夠小，訓練時可以加快收斂速度，loss對離群點、異常值不敏感，可控制梯度的量級使訓練更趨于平穩(wěn)，計算公式為：

(2)

其中：x是預測框與真實樣本標簽差值。因此，改進SSD損失函數(shù)由Focal loss與 Smooth L1部分構(gòu)成，公式為：

L=Lfl+LSL1

(3)

1.3 數(shù)據(jù)集

為評估改進SSD算法檢測小目標物體的性能提升效果，采用2015年發(fā)布的RSOD數(shù)據(jù)集[15]中的aircraft dataset，該數(shù)據(jù)集中的遙感影像分辨率為0.3～3 m，來自天地圖和谷歌地圖，共有446張遙感影像，包含4 993架不同尺寸大小的飛機目標物。根據(jù)公開數(shù)據(jù)集對目標物劃分標準，飛機目標物尺寸主要為小尺寸和中等尺寸，能夠滿足改進SSD算法檢測小目標物體性能的需求。將數(shù)據(jù)集以 811的比例劃分為訓練集、驗證集、測試集，其中訓練集遙感影像358張、驗證集遙感影像44張和測試集遙感影像44張。

1.4 檢測精度評價指標和訓練方法

針對中小尺度的飛機目標物進行檢測，以平均精度(Average Precision,AP)、召回率(Recall)、精度(Precision)、平均調(diào)和均值(F1-score)、每秒幀率(Frame Per Second,FPS)以及參數(shù)量(Parament)作為衡量模型的標準，其中AP和F1-score的大小反映檢測精度的高低，Recall和Precision值的大小用于表征AP和F1-score，F(xiàn)PS和Parament的大小反映檢測速度的快慢。

改進SSD算法在Windows 10(64 Bit)的操作系統(tǒng)下，圖像處理器選擇NVIDIA GeForce RTX 2060，深度學習框架采用Keras2.1.5進行訓練和測試，利用PASCAL VOC2007數(shù)據(jù)集完成模型的預訓練，然后采用遷移學習，用于模型對遙感影像中飛機目標物的訓練和測試。模型參數(shù)設(shè)置時，初始學習率為0.000 05、學習率衰減率為0.95，批量處理圖像數(shù)目為8，采用Adams 優(yōu)化器優(yōu)化模型。

2 結(jié)果與分析

將訓練數(shù)據(jù)分別投喂SSD算法和改進SSD算法，模型的訓練損失和驗證損失都隨著迭代次數(shù)的增加而逐漸下降，模型訓練損失值的變化過程如圖5所示。

(a) SSD訓練損失 (b) 改進SSD訓練損失圖5 模型訓練損失對比

由圖5可知：改進SSD算法與SSD算法相比，完成模型訓練所需要的迭代次數(shù)Epoch較少，說明改進SSD算法能夠加快模型的訓練速度，經(jīng)較少Epoch次數(shù)即可完成模型的訓練；此外，改進SSD算法的訓練損失和驗證損失值都低于SSD算法，表明改進SSD算法能夠降低模型的訓練損失，對遙感影像中飛機目標物的檢測性能得到提升。

將測試集數(shù)據(jù)分別投喂兩個算法，通過精度評價檢測模型性能，通過不同指標參數(shù)的大小，評估改進SSD算法檢測遙感影像中飛機目標物的性能提升效果，改進SSD算法和SSD算法在測試集影像飛機目標的測試結(jié)果見表1。

表1 改進方法對SSD算法檢測遙感影像中飛機的性能評估

由表1可知：改進SSD算法在IOU取0.5時的AP和F1-score的性能指標優(yōu)于SSD算法，Recall和Parament這兩個指標高于SSD算法，Precision指標基本不變，F(xiàn)PS值有明顯下降，但仍具有較高的檢測速度。從AP和F1這兩個指標上來看，改進SSD算法分別提升了2.39%和6%，表明本文提出的改進SSD算法，在檢測遙感影像中飛機目標物時，檢測性能有較大提升。由于AP和F1-score均與Recall 和Precision相關(guān)，而Precision變化較小，因此，引起AP和F1值發(fā)生明顯變化的主要原因是Recall，而改進SSD算法比SSD算法的Recall提升了6.48%，表明改進SSD算法能增強對小目標物的檢測性能。從FPS和Parament的指標變化來看，改進SSD算法比SSD算法的FPS下降14.3的原因是由于增加的特征融合模塊生成新的特征提取層，加深網(wǎng)絡(luò)結(jié)構(gòu)深度造成的，通過模型訓練時參數(shù)量的變化得到驗證。

為進一步驗證改進SSD算法檢測遙感影像飛機的性能提升效果，使用改進SSD算法和SSD算法分別對測試集遙感影像飛機進行檢測，背景復雜程度和目標物尺度兩個不同場景的檢測結(jié)果如圖6所示。圖6(a)和圖6(b)左側(cè)為 SSD算法檢測結(jié)果，右側(cè)為改進SSD算法檢測結(jié)果。在遙感影像飛機背景復雜程度不同的場景中，由圖6(a)可知，影像中包含5架不同尺度的飛機和若干形態(tài)近似的干擾物體，SSD算法檢測出5架飛機，包含正確檢測4架和將1個干擾物誤檢為飛機，而改進SSD算法將全部飛機檢測出來。在遙感影像飛機尺度不同的場景中，由圖6(b)可知，遙感影像中包含29架飛機，SSD檢測出14架，改進SSD在檢測出20架，包含SSD檢測出14架和未檢測出的6架小飛機，表明改進SSD算法能提高遙感影像中小飛機的檢測能力。對于SSD算法和改進SSD算法共同檢測出的飛機，改進SSD有更高的分類得分，表明使用分類損失函數(shù)Focal loss能夠提高遙感影像飛機的識別能力。

(a) 背景復雜程度

(b) 目標物尺度不同的檢測結(jié)果

將特征融合模塊和注意力模塊SE Module相結(jié)合對SSD算法進行改進，提升對遙感影像小飛機的檢測精度，為進一步分析特征融合模塊和注意力模塊SE Module對SSD算法檢測遙感圖像飛機指標AP和FPS的影響，設(shè)置4組對比試驗，各模塊組合的試驗結(jié)果見表2。

表2 不同模塊對SSD算法檢測遙感影像飛機影響

由表2可知：在SSD算法的基礎(chǔ)上增加特征融合模塊(FFM)，平均精度(AP)由73.83%提升至75.33%，提高1.5%，由于在SSD算法上增加FFM，導致模型檢測需要消耗額外時間，檢測速度由60.7降為44.0；在SSD算法的基礎(chǔ)上在淺層特征層增加SE Module，平均精度由73.83%提升至74.11%，由于SE Module只在淺層特征層與原網(wǎng)絡(luò)結(jié)構(gòu)相近，檢測速度比SSD算法稍有降低；本文提出的改進SSD算法是在SSD算法的基礎(chǔ)上，增加特征融合模塊(FFM)和注意力模塊(SE Module)兩個模塊，平均精度由73.83%增至76.22%，提升2.39%，因其網(wǎng)絡(luò)結(jié)構(gòu)比SSD算法更加復雜，使得FPS從60.7下降至43.9。通過消融試驗對比，特征融合模塊(FFM)對SSD算法檢測遙感影像飛機平均精度提升效果更好，但也增加了網(wǎng)絡(luò)復雜度，使得檢測速度下降明顯；注意力模塊(SE Module)對于平均精度(AP)的提升效果有限，檢測速度下降很??；本文將特征融合模塊(FFM)和注意力模塊(SE Module)相結(jié)合，豐富淺層特征的語義信息，提升對小目標物的檢測能力，相比單一使用特征融合模塊(FFM)改進SSD算法對于平均精度(AP)的提升效果更好，而且檢測速度幾乎沒有損失。

3 結(jié)論

本文針對SSD算法檢測遙感影像小目標物體漏檢問題，提出一種將特征融合模塊和通道注意力模塊相結(jié)合的方法來改進SSD算法，并在RSOD的Aircraft數(shù)據(jù)集上進行驗證。試驗結(jié)果表明，該方法對遙感影像中的飛機目標物檢測的平均精度比原始SSD算法提高2.39%，F(xiàn)1-score提升6%，加強了對遙感影像中小飛機的檢測能力，改進SSD算法的召回率提升6.48%。通過對測試集數(shù)據(jù)進行檢測，根據(jù)不同場景下的檢測結(jié)果，改進SSD算法在背景復雜程度和多尺度目標物分布的情況下對小目標物體的檢測能力得到提升。此外，消融試驗表明：將特征融合模塊(FFM)和注意力模塊(SE Module)相結(jié)合來改進SSD算法，相比分別使用特征融合模塊(FFM)和注意力模塊(SE Module)的改進SSD算法對小目標物體的檢測效果更佳。