本科生毕业设计

开题报告

题目：高分辨遥感图像海面目标智能识别研究

学 院： 信息工程学院
专 业： 智能与科学
班 级：
学 号：
学生姓名：
指导老师：
提交日期： 2023 年 3 月
 高分辨遥感图像海面目标智能识别研究

1 课题背景及意义
随着深度学习技术在海面目标检测中的应用日益广泛，其能力在多个方面得到了
极大的提升和拓展。以下是对上述内容的扩展，包括技术发展、应用范围、挑战及未
来趋势的进一步讨论。
深度学习在海面目标检测领域的应用不仅限于基本的对象识别和分类。随着技术
的进步，更加复杂和精细的任务，如目标跟踪、姿态估计、尺寸测量以及行为分析等
也开始得到研究和实现。例如，通过分析 SAR 图像中船只的动态特征，研究者能够预
测船只的未来位置，评估其行为模式，甚至识别可疑行为以增强海洋安全。
除了常规的海上交通监控和安全保障外，基于深度学习的海面目标检测技术也开
始服务于更广泛的应用领域。在海洋资源勘探中，通过准确检测和识别海面油气田、
海底矿产等资源的迹象，可以为资源开发提供重要的决策支持。此外，该技术还可应
用于环境科学研究，如通过监测海洋垃圾、赤潮等现象，为海洋环境保护和生态平衡
的维护提供科学依据。
尽管深度学习技术在海面目标检测方面取得了显著进展，但仍面临诸多挑战。其
中，数据质量和多样性是主要问题之一。由于 SAR 图像受到天气条件、海浪干扰等因
素的影响，获取高质量、多样化的训练数据变得更加困难。此外，海面目标检测的实
时性要求对计算资源提出了更高的挑战，如何在保证检测精度的同时，实现快速处理
和响应，是未来研究的一个关键方向。
未来的海面目标检测技术发展将集中在提高检测精度、处理速度以及应对复杂环
境的能力上。一方面，通过算法优化、模型轻量化以及硬件加速等技术，提升模型的
实时性和适用性。另一方面，利用多模态数据融合技术，结合 SAR 图像、光学图像以
及其他类型的传感器数据，全面提升检测系统的鲁棒性和准确性。此外，人工智能技
术的进步还将促进智能决策和自动化水平的提升，如自动识别和响应海上紧急事件，
进一步扩展海面目标检测技术的应用范围和深度。
基于先进目标检测算法的海面目标检测不仅可以提高检测的准确性和实时性，还
能大幅度提升海上监测、搜救、海洋环境保护和海洋资源管理的效率和效果。具体而
言，研究意义主要体现在以下几个方面：
1) 提高海上安全监管能力：先进的目标检测技术可以在海洋灾害（如油轮泄漏、
赤潮等）发生时，迅速识别受影响区域和污染范围，为应急响应和灾害评估提供准确
数据支持，从而减轻灾害影响，保护海洋生态环境。
2) 促进海洋科学研究：通过对海面目标的精准检测与识别，可以收集到大量关于
海洋生态、海流、波浪等方面的数据，为海洋科学研究提供重要信息，推动海洋学领
域的理论创新和科学发现。
3) 增强国防安全和边境管理：海面目标检测技术在国防和海岸边境安全领域同样
具有重要应用，能够有效监控和警告非法入侵、偷渡、走私等行为，增强海上边防安
全管理。
4) 推动智能化海上交通管理：结合人工智能和大数据分析，先进的目标检测技术
能够优化海上交通流量管理，预测航线和避免碰撞，提高海上交通安全和效率。
5) 支持海上新能源开发：海面目标检测技术对于海上风力、波浪能等新能源的开
发具有潜在价值，能够监测和评估能源开发设施的安全状况，确保新能源项目的稳定
运行。
6) 促进海洋教育和公众意识：通过海面目标检测技术收集的数据和成果，可以支
持海洋教育项目，增强公众对海洋保护重要性的认识，促进社会对海洋环境和资源的
可持续发展观念。
综上所述，基于先进目标检测算法的海面目标检测研究具有重要的理论价值和广
泛的应用前景，是当前海洋科学研究和海洋技术发展中的一个热点和重点。

2 国内外研究现状
海面目标检测，依托于先进的目标检测算法，已成为一个充满活力且具有广泛实
用价值的研究领域。这一领域的研究不仅对海上交通安全、海洋资源开发、环境保护
以及海洋安全等方面起到了关键作用，而且随着全球化及海洋经济的蓬勃发展，对于
海面目标检测技术的需求也在持续增长。合成孔径雷达（SAR）图像、卫星和航空遥
感图像的应用，为海面目标的有效监测提供了全天候、全方位的解决方案。然而，海
面环境的复杂性和多变性，如自然因素的干扰和人造目标的多样性，对目标检测技术
提出了巨大挑战。

2.1 研究现状

随着深度学习技术的飞速进展，海上目标检测技术也得到了显著的推动。尤其是
卷 积 神 经 网 络 （ CNN ） 及 其 衍 生 的 算 法 ， 如 Faster R-CNN 、 Mask R-
CNN、YOLO、SSD 等，在海面目标检测中的应用，极大提高了检测的准确率和效
率。通过这些先进的技术，研究人员能够实现对广阔海域的覆盖，完成大范围内的目
标检测和监控。在追求更高的检测准确性和鲁棒性的过程中，多源数据融合逐渐成为
研究的热点。通过结合光学图像、SAR 图像和其他传感器数据，有效提升了在复杂海
况和不同光照条件下的目标检测能力。

2.2 近期研究进展

近期在海面目标检测领域的研究进展中，特别值得关注的是“FCOSR: A Simple
Anchor-free Rotated Detector for Aerial Object Detection”（一种简单的无锚点旋转目标检
测器用于航空物体检测）和“H2RBOX: HORIZONTAL BOX ANNOTATION IS ALL
YOU NEED FOR ORIENTED OBJECT DETECTION”（水平框注释就足够用于定向对
象检测）这两篇研究。FCOSR 提出了一种针对航拍图像中旋转目标的检测方法，这对
于海面环境中目标如船舶可能出现的不同方向具有重要意义，为复杂海面场景的目标
检测提供了新的解决方案。而 H2RBOX 通过使用水平框注释简化了旋转目标检测的标
注和训练过程，使得面向特定方向的海面目标检测变得更为高效和易于实施。此外，
近期研究如李等人提出的 FAA-Net、李等人基于改进 YOLOv5 的多尺度旋转目标检测
模型、宋等人的多方向遥感船舶对象快速检测技术、曹等人利用定向边界框进行细粒
度遥感目标检测，以及赵等人的 MSRDNet 用于任意定向船舶检测等，都体现了海面
目标检测技术向更加灵活高效的检测算法发展的趋势。这些研究能够处理海洋场景的
复杂多变性，为海上监控和监测能力的提升铺平了道路。基于先进目标检测算法的海
面目标检测研究不仅能够提升检测的准确性和实时性，还对海上监测、搜救、环境保
护及资源管理等方面产生深远影响。通过提高海上安全监管能力、促进海洋资源合理
利用、加强环境保护和支持海上搜救，该研究领域具有重要的理论价值和广泛的应用
前景。
综上所述，海面目标检测技术的发展受益于深度学习等先进算法的应用，不断创
新和改进的深度学习算法为技术进步提供了动力。国内外学者通过不懈努力，在解决
数据稀缺、环境监测和生态研究等方面取得了显著成果，为海面目标检测技术的发展
贡献了重要力量。

3 研究内容和研究方法

3.1 研究内容

本研究致力于探索和发展基于最新目标检测算法的海面目标检测技术，旨在克服
当前海面监测中遇到的各种挑战，提高海上目标检测的准确性、实时性和自动化水
平。研究的主要内容和方法包括但不限于以下几个方面：
 1) 算法调研和分析：本研究将对目前领先的目标检测算法进行全面的调研和深入
的分析，包括但不限于 Faster R-CNN、SSD、YOLO、RetinaNet，以及近期引起广泛
关注的 FCOSR 和 H2RBOX 等算法。这一阶段，研究不仅聚焦于理解各算法的工作原
理和性能表现，还将评估它们在处理复杂海面环境下的目标检测任务中的适用性和效
能。特别是考虑到海面监测的特殊需求，如对小目标的检测能力、在复杂海况下的稳
定性，以及对动态目标的跟踪精度等方面进行深入分析。
2) 数据集准备和增强：鉴于深度学习模型的性能在很大程度上依赖于训练数据的
质量和多样性，本研究将致力于收集和整理一套全面的海面目标数据集。这包括从合
成孔径雷达（SAR）图像到光学图像的多种数据类型，涵盖船舶、海洋生物、人工设
施等多种目标。同时，考虑到实际应用中可能遇到的数据限制和场景多样性问题，本
研究还将采用和开发先进的数据增强技术，如图像翻转、旋转、缩放、颜色变换等，
以及更为复杂的生成对抗网络（GANs）生成的合成数据，以提升模型的泛化能力和鲁
棒性。
3) 模型开发与优化：基于前期的算法调研和数据集准备工作，在本研究中，我们
专注于开发和优化一系列针对海面目标检测的深度学习模型，特别考虑到海面环境的
光照变化、海浪干扰等特殊性，以及目标的多样性和动态性。为了满足实时监测的需
求，我们还探索模型压缩和加速技术。为了展现本研究成果的创新性和有效性，我们
计划通过两类对比实验来突出我们算法的优点：第一类实验将我们设计的旋转框检测
模型与传统的水平框检测模型在视觉上进行对比，直观展示旋转框在准确贴合目标实
际边界方面的优势，尤其是在目标姿态多变的海面环境中的应用价值；第二类实验则
是将我们的模型与市场上其他旋转框模型在性能指标上进行比较，侧重于检测准确率 、
实时性能和模型效率等关键指标的对比，以证明我们模型在海面目标检测领域的领先
地位。通过这些对比实验，我们旨在全面展示本研究在提高海面目标检测准确性和实
时性方面的贡献，为海上监测、搜救、环境保护等应用提供强有力的技术支持。
4) 性能评估与比较：通过在准备好的数据集上训练和测试，本研究将对所开发的
模型进行全面的性能评估。这包括使用准确率、召回率、平均精度均值（ mAP）等标
准指标，以及特定于海面监测应用的性能指标。此外，本研究还将将所开发模型的性
能与当前最先进的技术进行比较分析，以明确研究工作的创新点和优势。
5) 实际应用场景验证：为了验证所开发模型的实用性和有效性，本研究将选择特
定的海面监测应用场景进行实地测试，如海洋环境保护、船舶监控和海上搜救等。这
一阶段的工作将帮助识别模型在实际应用中可能遇到的问题，并为进一步的研究和开
发提供宝贵的反馈和经验。
通过这些研究内容和方法，本研究期望能够为海面目标检测技术的发展做出贡献 ，
提高海上安全监控、资源开发和环境保护的能力，为海洋经济的持续健康发展提供坚
实的技术支持。

3.1 研究方法

本研究将采用以下研究方法：
1) 文献综述：通过系统地回顾和总结相关领域的文献，了解海面目标检测的研究
进展和现有的技术挑战。
2) 数据预处理：包括图像裁剪、旋转、缩放等操作，以及使用生成对抗网络
（GANs）等方法进行数据增强，增加数据集的多样性。
3) 深度学习模型开发：利用 Python 和深度学习框架（如 TensorFlow 或 PyTorch）
实现和训练模型。根据海面目标检测的特点，设计和调整网络结构、损失函数和优化
器。
4) 实验设计与测试：设计一系列实验来测试和验证模型的性能，包括交叉验证、
参数敏感性分析等。利用 GPU 加速模型训练和测试过程。
5) 性能评估：采用标准评估指标（如准确率、召回率、mAP 等）对检测结果进行
量化评估，并通过可视化工具（如混淆矩阵、PR 曲线等）分析模型性能。
6) 案例研究：选取具体的应用场景进行案例研究，分析模型在实际环境中的应用
效果和潜在的改进方向。
通过上述研究内容和方法，本研究期望提高海面目标检测的准确性和效率，为相
关领域的研究和应用提供技术支持和理论基础。

4 研究计划
在我的研究项目中，我计划深入探索基于先进目标检测算法的海面目标检测技术 。
以下是我详细的研究计划，注重灵活性和深入探讨。
在项目启动的前两周里，我将致力于深入了解海面目标检测领域的现状和技术进
展。这包括阅读大量最新论文和经典研究，理解存在的挑战和解决方案。 随后的两周，
我将开始收集和整理海面目标的数据集，包括 SAR 图像和光学图像。我计划对数据进
行预处理和增强，以提升数据的多样性和质量。这一阶段，我可能面临数据质量不一
和数据量不足的问题，因此需要灵活调整策略，可能包括使用数据生成技术来扩充数
据集。接下来的两周，我将进入模型设计和实验的关键阶段。基于先前的文献调研和
数据探索结果，我将选择和调整合适的深度学习框架和算法。我计划进行多次迭代实
验，优化模型性能。同时，我将保持对最新研究动态的关注，以引入新的技术和方法 。
经过初步模型实验后，接下来的两周我将更加注重于模型的深入分析和优化。我将对
模型的性能进行细致分析，识别弱点，然后针对性地调整和优化模型。此外，我也将
探索模型在实际应用场景中的表现。
在整个研究过程中，我将持续评估进度和结果，根据实验数据和反馈调整研究方
向。我计划保持与我的导师和同行的紧密沟通，分享进展和挑战，寻求他们的意见和
建议。
通过这样一个灵活且深入的研究计划，我期待能够有效推进我的研究项目，为海
面目标检测领域做出我的贡献。
 参考文献
[1] Li Z, Hou B, Wu Z, et al. FCOSR: A simple anchor-free rotated detector for aerial object
detection[J]. Remote Sensing, 2023, 15(23): 5499.
[2] Yang X, Zhang G, Li W, et al. H2RBox: Horizonal Box Annotation is All You Need for
Oriented Object Detection[J]. arXiv preprint arXiv:2210.06742, 2022.
[3] Li L, Zhou Z, Wang B, et al. A novel CNN-based method for accurate ship detection in
HR optical remote sensing images via rotated bounding box[J]. IEEE Transactions on
Geoscience and Remote Sensing, 2020, 59(1): 686-699.
[4] Yang X, Sun H, Fu K, et al. Automatic ship detection in remote sensing images from
google earth of complex scenes based on multiscale rotation dense feature pyramid
networks[J]. Remote sensing, 2018, 10(1): 132.
[5] Dong C, Liu J, Xu F, et al. Ship detection from optical remote sensing images using
multi-scale analysis and Fourier HOG descriptor[J]. Remote Sensing, 2019, 11(13):
1529.
[6] Girshick R. Fast r-cnn[C]//Proceedings of the IEEE international conference on computer
vision. 2015: 1440-1448.
[7] Jiang P, Ergu D, Liu F, et al. A Review of Yolo algorithm developments[J]. Procedia
Computer Science, 2022, 199: 1066-1073.
[8] Liu W ， Anguelov D ， Erhan D ， et al. Ssd ： Single shot multibox
detector[C]//Computer Vision–ECCV 2016 ： 14th European Conference ，
Amsterdam， The Netherlands， October 11–14， 2016， Proceedings， Part I 14.施
普林格国际 出版社， 2016： 21-37.
[9] Yang X, Yan J, Feng Z, et al. R3det: Refined single-stage detector with feature refinement
for rotating object[C]//Proceedings of the AAAI conference on artificial intelligence. 2021,
35(4): 3163-3171.
[10] Zhang T, Zhang X, Li J, et al. SAR ship detection dataset (SSDD): Official release and
comprehensive data analysis[J]. Remote Sensing, 2021, 13(18): 3690.
[11] Xie X, Cheng G, Wang J, et al. Oriented R-CNN for object detection[C]//Proceedings of
the IEEE/CVF international conference on computer vision. 2021: 3520-3529.
[12] Wei S, Zeng X, Qu Q, et al. HRSID: A high-resolution SAR images dataset for ship
detection and instance segmentation[J]. Ieee Access, 2020, 8: 120234-120254.
[13] Wang Y, Wang C, Zhang H, et al. A SAR dataset of ship detection for deep learning
 under complex backgrounds[J]. remote sensing, 2019, 11(7): 765.
[14] He K, Gkioxari G, Dollár P, et al. Mask r-cnn[C]//Proceedings of the IEEE international
conference on computer vision. 2017: 2961-2969.
[15] Nabati R, Qi H. Rrpn: Radar region proposal network for object detection in
autonomous vehicles[C]//2019 IEEE International Conference on Image Processing
(ICIP). IEEE, 2019: 3093-3097.