摘要
随着人工智能技术的发展和遥感大数据时代的来临，基于计算机视觉的海上船只监测系统逐步发展完善。该类系统能够通过分析遥感数据来获得监测区域内所有海上船只的具体位置、类别、航向等信息，甚至能够通过这些信息预测船只的意图，极大地降低处理和解译遥感数据的人力成本,为海上船只的监测工作提供了极大便利。该类系统的流水线中主要包含三大任务:遥感数据处理、海上船只检测、海上船只细粒度分类。本文就其中的海上船只细粒度分类任务展开了充分的调查与研究，并针对任务中的难点问题提出了相应的解决方案。 在众多的遥感数据源中，适合海上船只监测任务的有光学遥感数据和合成孔径雷达数据。光学遥感数据的可判读性强，数据量充足，但是易受到光照、天气等影响，在夜间与云雾遮挡的情况下无法工作。合成孔径雷达数据由于其特殊的成像机制，能够实现全天候、全时段的对地观测，但是其噪声严重，可判读性弱。这些遥感数据以及船只目标本身的特点给海上船只细粒度分类任务带来了诸多的挑战，比如:(1)船只目标是一种细长几何形状的目标，且必须先由船只检测算法从遥感数据中提取出包含船只目标的切片才能进行分类,不适当的提取方式会极大地影响分类准确率;(2)遥感数据中各类船只的数量呈现出长尾分布的分布规律，一些需要被重点关注的船只类别往往位于分布的尾部，数据匮乏;(3)船只细粒度分类任务旨在预测船只样本的具体类别，如散货船，油船。同时，因为天气、噪声、成像方式等影响，遥感数据中的船只样本往往具有很大的类内差异和很小的类间差异，且其判别性特征很难提取。针对上述问题，本文做出的研究如下: 1.针对如何正确地提取包含船只目标的切片这一问题，本文将其定义为研究有效船只图像规范化处理策略的问题。共计讨论了六种规范化处理策略，明确了哪些规范化能够有效地提高船只细粒度分类的准确率。并针对光学遥感数据和合成孔径雷达数据均提出了相应的解决方案。 2.针对遥感数据中各类船只数量分布为长尾分布的问题，本文在网络的训练策略上提出了改进。本文在网络的训练中，采用了一种类别重平衡策略采样训练批次，以实现对优势类的欠采样和非优势类的重采样，从而减轻数据长尾分布对分类模型的负面影响。 3.针对船只判别性特征难提取，类内差异大，类间差异小的挑战。本文就损失函数设计角度，提出了一个嵌入分布优化的统一多代理深度度量学习框架。该框架通过结合多代理学习，成对学习的优势以及对类代理和真实样本分布差异的约束，成功地提高了船只细粒度分类的准确率。 本文通过充分的实验验证了所提解决方案的有效性与先进性，同时也就目前任务需要和工作欠缺为后续的研究工作提供了指引。
NETL