任永梅　鄧一彬　羅威　馮驍　陳智龍

關(guān)鍵詞：圖像處理；船舶分類(lèi)；深度學(xué)習(xí)；紅外圖像

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2023）10-0013-03

0 引言

船舶分類(lèi)是計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)，對(duì)監(jiān)視水上交通、維護(hù)海洋權(quán)益和提高海防預(yù)警能力等方面有著重要的意義[1]。目前最為常見(jiàn)的船舶分類(lèi)方法主要集中于可見(jiàn)光圖像[2]和合成孔徑雷達(dá)[3]（SyntheticAperture Rardar， SAR）圖像方面，可見(jiàn)光圖像對(duì)目標(biāo)的區(qū)分度好，但易受光照影響；合成孔徑雷達(dá)可以全天候、全天時(shí)地監(jiān)測(cè)，但價(jià)格昂貴，容易受到雨雪、海浪以及其他電磁的干擾，在復(fù)雜情況下的方位測(cè)量精度較差，主要應(yīng)用在軍事領(lǐng)域。紅外圖像[4]船舶分類(lèi)方法可以全天候監(jiān)控水路運(yùn)輸情況，確保海岸和海洋的安全。張迪飛等[5]提取紅外艦船目標(biāo)的HOG特征，并使用SVM分類(lèi)器對(duì)提取的特征進(jìn)行分類(lèi)，在背景干擾下可以識(shí)別紅外艦船目標(biāo)。隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)[6]在圖像分類(lèi)領(lǐng)域取得了出色的成績(jī)。陳興偉等人[7]提取多個(gè)船舶分類(lèi)特征，組成船舶分類(lèi)的特征向量集，然后將特征向量集作為深度學(xué)習(xí)算法的輸入，建立船舶分類(lèi)模型。Chen等人[8]提出了一種由粗到細(xì)的卷積神經(jīng)網(wǎng)絡(luò)船舶類(lèi)型識(shí)別方法，粗步驟的訓(xùn)練方式與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)相似，精細(xì)步驟引入了正則化機(jī)制來(lái)提取更多的船舶固有特征，并通過(guò)微調(diào)參數(shù)設(shè)置，獲得更好的識(shí)別性能。李坤等人[9]根據(jù)融合特征設(shè)計(jì)出了一種圖像識(shí)別算法，實(shí)現(xiàn)改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的船舶圖像識(shí)別。綜上所述，現(xiàn)有的研究雖然取得了較好的分類(lèi)效果，但是其針對(duì)的主要是船舶形狀差異大、背景單一的船舶圖像庫(kù)。在現(xiàn)實(shí)港口、航道拍攝的船舶圖像，背景復(fù)雜、船體形狀差異較小，給船舶分類(lèi)帶來(lái)了很大的挑戰(zhàn)。本文研究了基于AlexNet卷積神經(jīng)網(wǎng)絡(luò)的紅外圖像船舶分類(lèi)方法，并在VAIS船舶數(shù)據(jù)集上對(duì)該方法的有效性進(jìn)行了實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，本文方法具有較好的紅外圖像船舶分類(lèi)性能。

1 基于AlexNet 卷積神經(jīng)網(wǎng)絡(luò)的紅外圖像船舶分類(lèi)方法

1.1 傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)的主要由一個(gè)輸入層、多個(gè)卷積層、多個(gè)池化層、多個(gè)全連接層和一個(gè)輸出層組成。圖像分類(lèi)任務(wù)中的輸出層為分類(lèi)器，常用的分類(lèi)器有Softmax等。卷積層中包含圖像的多個(gè)特征圖，每個(gè)特征圖能夠提取一種特征。在提取紅外船舶圖像的特征時(shí)，同一個(gè)特征圖的神經(jīng)元共享一組權(quán)值（即卷積核），不同特征圖的權(quán)值是不一樣的，所以才能夠提取紅外船舶圖像的不同特征，在訓(xùn)練時(shí)，不斷地調(diào)整權(quán)值參數(shù)，使特征提取朝著有利于分類(lèi)的方向進(jìn)行，卷積得到的結(jié)果要通過(guò)激活函數(shù)處理后才能進(jìn)行池化操作。在池化層中，輸入的特征圖經(jīng)過(guò)池化后其數(shù)量不變，但維數(shù)會(huì)減小。全連接層連接上層傳來(lái)的所有圖像特征，將這些特征圖轉(zhuǎn)化為全連接的一維向量，最后將其送給Softmax分類(lèi)器。

1.2 AlexNet 卷積神經(jīng)網(wǎng)絡(luò)

本文使用經(jīng)典的AlexNet[10]卷積神經(jīng)網(wǎng)絡(luò)提取紅外船舶圖像的深層特征。AlexNet網(wǎng)絡(luò)由5層卷積層和3層全連接層組成。具體結(jié)構(gòu)如圖1所示。在該網(wǎng)絡(luò)中采用的激活函數(shù)是ReLu激活函數(shù)，進(jìn)而能夠使網(wǎng)絡(luò)收斂速度更快。為了防止過(guò)擬合，增強(qiáng)網(wǎng)絡(luò)模型的泛化能力，還應(yīng)用了局部響應(yīng)歸一化技術(shù)，主要應(yīng)用在第1個(gè)卷積層和第2個(gè)卷積層之后。在全連接層中應(yīng)用了隨機(jī)失活（dropout）技術(shù)。具體參數(shù)如表1所示。卷積核： 11 × 11 × 96表示96個(gè)尺寸為11 × 11的卷積核。填充為1表示在外層補(bǔ)1圈0。輸出節(jié)點(diǎn)為6 是因?yàn)檩敵龉?jié)點(diǎn)數(shù)與本文的VAIS船舶數(shù)據(jù)集的船舶類(lèi)型數(shù)目一致。

1.3 算法總體流程

基于AlexNet卷積神經(jīng)網(wǎng)絡(luò)的紅外圖像船舶分類(lèi)方法的流程圖如圖2所示。

具體過(guò)程為：

在訓(xùn)練階段，首先使用AlexNet網(wǎng)絡(luò)通過(guò)前向傳播對(duì)預(yù)處理后的紅外船舶圖像進(jìn)行特征提取，將全連接層的特征輸入Softmax函數(shù)中，利用Softmax函數(shù)得到紅外船舶圖像的預(yù)測(cè)類(lèi)別。其次，計(jì)算預(yù)測(cè)類(lèi)別標(biāo)簽和真實(shí)類(lèi)別標(biāo)簽之間的誤差，通過(guò)反向傳播過(guò)程調(diào)整權(quán)值和偏差，使誤差最小化，得到最優(yōu)模型并保存。在測(cè)試階段，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)前向傳播提取紅外船舶圖像特征后，調(diào)用訓(xùn)練好的最優(yōu)模型對(duì)其進(jìn)行測(cè)試，輸出船舶圖像的預(yù)測(cè)標(biāo)簽（分類(lèi)結(jié)果）。

2 實(shí)驗(yàn)結(jié)果及分析

2.1 實(shí)驗(yàn)數(shù)據(jù)集

本文使用的船舶分類(lèi)數(shù)據(jù)集是VAIS數(shù)據(jù)集，共有1 088幅紅外圖像。數(shù)據(jù)集的部分可視化樣本如圖3所示。該數(shù)據(jù)集包含6種粗粒度類(lèi)別，分別為medi?ums“other”ships、merchant ships、medium passengerships、sailing ships、small boats、tugboats。本文隨機(jī)選取共539幅為訓(xùn)練圖像，剩余549幅為測(cè)試圖像，訓(xùn)練集和測(cè)試集樣本數(shù)量如表2所示。

2.2 實(shí)驗(yàn)仿真環(huán)境及參數(shù)設(shè)置

實(shí)驗(yàn)仿真環(huán)境：處理器為Inter（R）Core（TM） i7-10875H CPU@2.30GHz，內(nèi)存為32G，顯卡為NVIDIAGeForce RTX 2060，編程環(huán)境為Python3.8.6 + PyTorch 框架。

本文使用Adam算法優(yōu)化交叉熵?fù)p失函數(shù)，迭代更新卷積神經(jīng)網(wǎng)絡(luò)權(quán)重。訓(xùn)練得到最優(yōu)模型的參數(shù)設(shè)置如下：

在預(yù)處理時(shí)使用雙三次插值方法將所有紅外船舶圖像大小均調(diào)整為256 × 256像素。訓(xùn)練集圖像隨機(jī)裁剪為227 × 227像素，學(xué)習(xí)率為0.0002，批處理樣本數(shù)量為32，訓(xùn)練周期為200，丟棄率（dropout）為0.5，一階矩估計(jì)的指數(shù)衰減率取0.9，二階矩估計(jì)的指數(shù)衰減率取0.999，epsilon的取值為1e-08。

2.3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文方法的有效性，在VAIS船舶數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。訓(xùn)練過(guò)程中的迭代周期-分類(lèi)準(zhǔn)確率曲線（epoch-acc）和迭代周期-損失值曲線（epochloss）如圖4所示。本文方法在VAIS船舶數(shù)據(jù)集上的船舶分類(lèi)準(zhǔn)確率和誤分類(lèi)樣本數(shù)如表3所示。本文方法在VAIS船舶數(shù)據(jù)集上對(duì)每一類(lèi)船舶的分類(lèi)準(zhǔn)確率（%）如表4所示。表5為本文方法在VAIS船舶數(shù)據(jù)集上對(duì)每一類(lèi)船舶的查準(zhǔn)率、查全率和F1分?jǐn)?shù)。

從圖4可以看出，本文的船舶分類(lèi)模型能夠很好的進(jìn)行收斂，在迭代到200代時(shí)分類(lèi)準(zhǔn)確率趨于平緩。從表3可知，使用AlexNet網(wǎng)絡(luò)能夠?qū)t外船舶圖像進(jìn)行較好的分類(lèi)。從表4和表5可知，本文方法對(duì)medi?um-other和passenger的分類(lèi)準(zhǔn)確率和F1分?jǐn)?shù)較低，是因?yàn)閿?shù)據(jù)集中的船舶圖像的分辨率不是很好，給分類(lèi)帶來(lái)了一定的難度。

3 結(jié)論

本文研究了基于AlexNet卷積神經(jīng)網(wǎng)絡(luò)的紅外圖像船舶分類(lèi)方法，在VAIS船舶數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，本文方法能夠較好地實(shí)現(xiàn)船舶分類(lèi)，但分類(lèi)準(zhǔn)確率還有進(jìn)一步提升的空間，在未來(lái)的研究工作中，將進(jìn)一步優(yōu)化船舶分類(lèi)模型，提高船舶分類(lèi)準(zhǔn)確率。