光学遥感图像小样本舰船目标识别.pdfVIP

杭州电子科技大学硕士学位论文

摘要

基于深度学习的目标识别算法在精度和实时性方面都远远赶超传统方法，但

将其应用于遥感图像舰船目标识别时，通常需要使用大量样本对模型参数进行调

节，而遥感图像中某些特定目标类型的样本获取成本较高，甚至难以获取，因此，

如何将深度学习用于遥感舰船小样本目标的识别成为一大难点。迁移学习是当前

小样本学习中一种较为主流的方法，其旨在从其他相关数据中提取对解决目标任

务有用的额外信息进行辅助学习，但是当源域与目标域之间存在跨域时，现有迁

移学习方法往往难以确定源域中哪些数据是有用的，容易产生负迁移；而且与其

他小样本学习方法一样，其学习所得的模型大都具有一定偏好，容易出现不同类

别间识别精度差距较大的情况。

针对上述问题，本文具体研究内容如下：

1）针对源域数据难以确定，容易产生负迁移的问题。本文提出遥感图像小

样本舰船目标跨域迁移学习算法。首先对源域数据进行相关性排序，将其划分为

与目标域强/弱/负相关的样本；然后根据舰船目标的结构特性，引入自监督角度

预测任务进行多任务联合训练，以此在不影响主分类网络结构的同时，利用强相

关源域样本的特征信息对目标任务的泛化方向进行引导，辅助目标域的识别任务。

选取多种不同类别的数据作为迁移样本进行算法验证，实验结果显示：通过本文

相关性排序算法，可以从现有公开数据集中筛选出一些人眼无法感知，但实际能

够正向引导舰船目标识别任务的样本，其对目标任务所产生的辅助作用甚至超过

了遥感舰船同一大类下的样本图像。且在本文所用的遥感图像小样本舰船目标数

据集上，提出的算法优于跨域迁移学习中广泛使用的微调算法，与仅使用主分类

网络的目标识别算法相比，舰船目标数据集的总体识别精度提升了17.59%，最

高可达97.65%。

2）针对识别模型存在类别偏好的问题。本文在已实现算法的基础上，提出

遥感图像小样本舰船目标融合识别算法。首先通过不同识别算法对应的基模型，

分别计算出待识别图像在不同算法下的类概率分布；然后使用证据理论框架下的

Dempster组合规则对多组类概率分布进行融合，从而匹配得到输入图像的类别

标签，完成识别任务。使用不同决策级融合方法将本文提出的跨域迁移学习算法

与其他小样本学习算法进行融合，实验结果显示：基于Dempster组合规则的决

策级融合方法可以较好地综合不同算法所获取信息之间存在的冗余性和互补性，

I

杭州电子科技大学硕士学位论文

其融合效果明显优于硬投票和软投票这两种常见的决策级融合方法。与跨域迁移

学习算法相比，该方法将遥感图像小样本舰船目标数据集各类别样本的识别精度

区间从91.11%-100%提升至95.56%-100%，样本类间识别精度的差距明显减小，

且总体识别精度也有所提高，可达98.24%。

3）围绕提出的核心算法，本文设计开发了一系列可视化软件平台以简化算

法操作流程，推进相关的工程化应用。具体包括：图像目标切割软件平台、跨域

迁移学习算法训练测试软件平台以及检测识别算法集成测试软件平台。此外，本

文采取先检测后识别的策略，将课题组其他成员实现的目标检测算法与本文目标

识别算法进行串联，以此模拟实际识别场景进行性能测试，进一步验证了提出算

法在实际应用场景中的有效性和实用性。

关键词：遥感舰船目标识别，小样本学习，跨域迁移学习，相关性排序，自监督

角度预测，决策级融合

II

杭州电子科技大学硕士学位论文

ABSTRACT

Thetargetrecognitionalgorithmbasedondeeplearningfarsurpassestraditional

methodsintermsofaccuracyandreal-timeperformance.However,whenitisapplied

toshiptargetrecognitioninr