1.2　研究內(nèi)容和創(chuàng)新點(diǎn)

基于上述存在的挑戰(zhàn)，本部分的總體研究內(nèi)容包括：在復(fù)雜背景下小目標(biāo)的檢測與識別中，針對背景復(fù)雜引起的前、背景分離難的問題，提出了上下文信息指導(dǎo)的小目標(biāo)檢測方法，達(dá)到了復(fù)雜背景下小目標(biāo)精確定位的效果；針對目標(biāo)特性的復(fù)雜性，提出了信息補(bǔ)償機(jī)制的小目標(biāo)識別方法，達(dá)到了復(fù)雜背景下小目標(biāo)準(zhǔn)確識別的效果；針對數(shù)據(jù)不完備性導(dǎo)致的模型對訓(xùn)練樣本過擬合問題，提出了樣本方向?qū)傩灾笇?dǎo)的數(shù)據(jù)增強(qiáng)方法，通過提升數(shù)據(jù)完備性，降低數(shù)據(jù)過擬合風(fēng)險(xiǎn)；在遙感圖像飛機(jī)檢測的實(shí)際應(yīng)用中，應(yīng)用本書所提出的小目標(biāo)檢測、識別和數(shù)據(jù)增強(qiáng)的研究方法，提出了結(jié)合數(shù)據(jù)增強(qiáng)、區(qū)域推薦和PHOG的飛機(jī)快速檢測方法。

1.2.1　研究內(nèi)容

本部分研究以檢測、識別和數(shù)據(jù)增強(qiáng)為方法主線，由點(diǎn)擴(kuò)展、逐層深入展開研究。圖1.4描述了總體研究內(nèi)容和子研究內(nèi)容之間的邏輯關(guān)系，上層的框圖表示總體研究內(nèi)容，中間層框圖表示本部分研究的三大挑戰(zhàn)和一個(gè)需求，下層框圖給出了4個(gè)具體的研究內(nèi)容。綠色箭頭表示研究內(nèi)容，一為研究內(nèi)容二篩選了感興趣區(qū)域，最底層的黑色的曲線表示研究內(nèi)容三用于研究內(nèi)容一、研究內(nèi)容二和研究內(nèi)容四的數(shù)據(jù)增強(qiáng)。

具體研究內(nèi)容如下：

（1）上下文信息指導(dǎo)的復(fù)雜場景小目標(biāo)檢測。針對背景復(fù)雜引起的前背景分離難的問題，本部分研究上下文信息指導(dǎo)的復(fù)雜場景下小目標(biāo)的檢測方法，提出了基于相似度矩陣的小目標(biāo)聚類模型，在保證小目標(biāo)高召回率的情況下，引入上下文信息剔除候選區(qū)域中存在大量背景，從而提高小目標(biāo)的檢測的性能。

（2）信息補(bǔ)償機(jī)制的復(fù)雜場景下小目標(biāo)識別。針對小目標(biāo)自身攜帶信息匱乏的問題，本部分提出了基于特征學(xué)習(xí)生成對抗網(wǎng)絡(luò)的小目標(biāo)識別模型。通過學(xué)習(xí)不同分辨率圖像之間的差異，特征生成網(wǎng)絡(luò)將低分辨率圖片的原始特征轉(zhuǎn)化為具有高區(qū)分性的特征，從而縮小高分辨率特征和低分辨率特征之間的差異。

（3）樣本方向?qū)傩灾笇?dǎo)的數(shù)據(jù)增強(qiáng)方法。針對數(shù)據(jù)的不完備性導(dǎo)致的模型對訓(xùn)練樣本的過擬合問題，提出了樣本方向?qū)傩灾笇?dǎo)的數(shù)據(jù)增強(qiáng)方法。該方法通過將樣本旋轉(zhuǎn)特定角度的方式，使訓(xùn)練樣本在方向分布上充分覆蓋物理世界中樣本的分布，以提升數(shù)據(jù)方向完備性，最終降低模型在訓(xùn)練過程中過擬合的可能性。

（4）飛機(jī)快速檢測實(shí)際應(yīng)用。在遙感圖像飛機(jī)檢測的實(shí)際應(yīng)用中，應(yīng)用本部分所提的小目標(biāo)檢測、識別和數(shù)據(jù)增強(qiáng)的研究方法，提出了基于區(qū)域推薦和PHOG的飛機(jī)快速檢測和識別方法。該方法構(gòu)建簡單高效的目標(biāo)候選區(qū)初級特征描述子，實(shí)現(xiàn)高效的候選區(qū)域價(jià)值評判和候選區(qū)域推薦，從而提高小目標(biāo)檢測算法的性能。

針對上述4項(xiàng)研究內(nèi)容，分別設(shè)計(jì)新穎的模型算法。每個(gè)模型算法的研究均包括理論建模、模型學(xué)習(xí)、模型推理、性質(zhì)分析和算法實(shí)現(xiàn)等一整套完整的解決方案。

1.2.2　特色創(chuàng)新

本部分的核心貢獻(xiàn)在于從上下文信息、信息補(bǔ)償和數(shù)據(jù)增強(qiáng)3個(gè)角度，提取源域的知識來修正目標(biāo)域中的樣本分布，從而提升檢測和識別系統(tǒng)的能力，如圖1.5所示。

特色創(chuàng)新總結(jié)如下：

（1）提出了上下文信息指導(dǎo)的小目標(biāo)檢測方法，解決了環(huán)境的復(fù)雜性導(dǎo)致背景區(qū)域和小目標(biāo)難以分離的問題。該方法引入了上下文信息約束，以修正原始背景和小目標(biāo)可分性差的分布，從而剔除了候選區(qū)域中存在的大量復(fù)雜背景區(qū)域，顯著提升了復(fù)雜場景下小目標(biāo)檢測的準(zhǔn)確率。

（2）提出了一種新型信息補(bǔ)償機(jī)制，解決了神經(jīng)網(wǎng)絡(luò)分類器難以提取小目標(biāo)特征的問題。基于這種補(bǔ)償機(jī)制的識別算法能夠?qū)W習(xí)到高、低質(zhì)量目標(biāo)之間的殘差信息，并將這種殘差信息補(bǔ)償至小目標(biāo)特征中，顯著提高復(fù)雜場景小目標(biāo)識別的準(zhǔn)確率。

（3）提出了一種新穎的通道注意力機(jī)制，解決了小目標(biāo)特征利用率低的問題。基于這種注意力機(jī)制的深度學(xué)習(xí)模型，更加關(guān)注信息豐富特征而忽略信息稀疏特征，以增強(qiáng)小目標(biāo)特征的質(zhì)量。

（4）提出了樣本方向指導(dǎo)的數(shù)據(jù)增強(qiáng)方法，解決了數(shù)據(jù)的方向不完備性問題。該方法改變了傳統(tǒng)盲增強(qiáng)方法生成低質(zhì)樣本或無效樣本的情況，通過提高測試集和訓(xùn)練集在方向分布方面的相似性，以提高數(shù)據(jù)方向完備性，從而顯著增強(qiáng)了小目標(biāo)檢測與識別的準(zhǔn)確率。

（5）構(gòu)建了一個(gè)遙感圖像低分辨率艦船檢測與識別的數(shù)據(jù)集WIDER-SHIP，該數(shù)據(jù)集是專門針對低分辨率的艦船識別任務(wù)構(gòu)建的。已有的艦船數(shù)據(jù)集有專門針對艦船檢測任務(wù)（DOTA）[43]，而該類數(shù)據(jù)集沒有艦船子類的標(biāo)注信息，因此無法進(jìn)行艦船分類任務(wù)；安裝在港口的閉路相機(jī)所捕獲的數(shù)據(jù)（Seaship）[44]并不是遙感圖像；有僅包含高分辨率圖像的艦船數(shù)據(jù)集，如HRSC[45]。本部分構(gòu)建的WIDER-SHIP填補(bǔ)了遙感圖像低分辨率艦船識別領(lǐng)域的研究。