本科生毕业设计

文献综述

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

摘要：海面目标检测一直是遥感领域的关键问题之一，其在海洋资源开发、环境监测
等方面具有重要应用价值。近年来，随着深度学习技术的不断发展，基于深度学习的
目标检测算法在海面目标检测领域取得了显著进展。本文综述了当前先进的海面目标
检测算法，重点介绍了基于深度学习的方法。首先，对传统的海面目标检测方法进行
了简要回顾，然后详细介绍了卷积神经网络（CNN）在海面目标检测中的应用。接着，
探讨了一系列基于 CNN 的改进算法，如基于注意力机制的模型、多尺度特征融合方法
等。此外，还讨论了数据增强、迁移学习等技术在提升海面目标检测性能方面的作用 。
最后，对当前海面目标检测领域存在的挑战和未来发展方向进行了展望，指出了需要
进一步研究的问题和可能的解决途径。这些综述对于促进海面目标检测技术的发展和
应用具有指导意义。
关键词：目标检测，神经网络，pytorch

1 引言
海面目标检测作为计算机视觉和海洋监测领域的重要研究方向，近年来随着人工
智能技术的快速发展而取得显著进展。它在海上交通安全、海洋资源开发、海洋环境
保护以及海上搜救等方面发挥着不可替代的作用。尤其是在海上交通日益繁忙的今天 ，
有效的海面目标检测技术能够为避免船舶相撞、非法渔捞、海洋污染等问题提供技术
支持，具有重要的实际应用价值和深远的社会意义。
随着深度学习技术的兴起，基于先进目标检测算法的海面目标检测研究成为该领
域的热点。深度学习算法，尤其是卷积神经网络（CNN），因其在图像识别和处理方
面的出色性能，被广泛应用于目标检测任务中。这些算法能够自动提取图像特征，有
效提高检测精度和速度，为海面目标检测提供了新的技术途径。
然而，海面环境的复杂多变给目标检测带来了巨大挑战。例如，海浪、云层遮挡、
光照变化等因素都可能影响检测性能。此外，海面目标的多样性和小目标检测问题也
是该领域面临的难题。因此，如何设计更加鲁棒、高效的算法来应对这些挑战，成为
了研究者们亟需解决的问题。
本文综述旨在全面回顾基于先进目标检测算法的海面目标检测领域的最新研究成
果。我们将首先介绍海面目标检测的背景和重要性，然后系统地总结和分析当前主流
的目标检测算法及其在海面目标检测中的应用情况，包括但不限于基于深度学习的算
法。此外，我们还将探讨这些算法在实际应用中遇到的挑战和解决方案，最后对未来
的研究方向进行展望。通过这一综述，我们希望为该领域的研究者提供一个全面的研
究基础，激发更多创新思路，促进海面目标检测技术的进一步发展。

2 发展与发展趋势

2.1 发展历史

海面目标检测作为遥感图像分析和计算机视觉领域的一个重要分支，历经多年的
发展，其研究工作在国内外都取得了丰富的成果。这一领域的研究可以追溯到上世纪
70 年代和 80 年代，当时主要依靠雷达系统进行海面监控，以识别船只和其他海上目标。
随着技术的进步和计算能力的提高，研究重点逐渐转向了更高分辨率的遥感图像处理
和自动目标检测算法的开发。
最初，海面目标检测的研究主要集中在基于规则的图像处理技术上，这些技术依
赖于手动设计的特征提取方法和阈值设置，如边缘检测和形态学操作。这些方法在简
单场景下相对有效，但在复杂的海面环境中，如在不同天气条件下，其性能受到限制。
进入 21 世纪，随着机器学习技术的发展，尤其是支持向量机（SVM）和随机森林
等算法的应用，海面目标检测的研究取得了显著进展。这些方法通过学习大量标注数
据中的模式，提高了检测的准确性和鲁棒性。同时，合成孔径雷达（SAR）和高分辨
率光学遥感技术的发展，为海面目标提供了更多的检测可能性。
近年来，深度学习技术的兴起极大地推动了海面目标检测技术的发展。卷积神经
网络（ CNN）和后续的多种改进算法，如 Faster R-CNN 、YOLO（You Only Look
Once）、SSD（Single Shot MultiBox Detector）等，已成为该领域研究的主流。这些深
度学习模型能够自动从大量数据中学习复杂的特征表示，显著提高了在复杂场景下的
目标检测性能，包括在恶劣天气条件下和微小目标的检测。
在国际上，海面目标检测的研究涉及多个领域，包括军事监视、海洋研究、船只
跟踪和海洋环境保护等。许多国家的研究机构和大学都在此领域取得了突破性的进展 。
在国内，随着中国对于海洋权益的重视以及遥感技术的迅速发展，海面目标检测也成
为了研究的热点之一。中国在该领域的研究不仅聚焦于技术和算法的开发，还包括大
量应用于国家海洋监测和管理的实践项目。

2.2 现状

目前，海上目标检测技术主要依赖于卫星和航空遥感图像，以及合成孔径雷达
（SAR）成像技术。利近年来，深度学习技术的应用极大地推动了海上目标检测技术
的发展。卷积神经网络（CNN）及其变种，如 Faster R-CNN、Mask R-CNN、YOLO
和 SSD 等，已被广泛应用于此领域，显著提高了检测的准确率和效率。用这些技术，
研究人员可以覆盖广阔的海域，实现大范围的目标检测和监控。为了提高检测的准确
性和鲁棒性，多源数据融合成为了研究的一个重要趋势。通过结合光学图像、SAR 图
像以及其他传感器数据，可以有效提升在复杂海况和不同光照条件下的目标检测能力 。
随着算法效率的提高和计算资源的增强，实现海上目标的实时检测和自动化监控成为
可能。这对于及时响应海上紧急事件和进行长期海洋环境监测具有重要意义。
在海面目标检测领域，尤其是对于遥感图像中的船只检测，旋转框算法和水平框
算法都有其独特的应用场景和优劣。近期的研究进展，如《Automatic Ship Detection in
Remote Sensing Images from Google Earth of Complex Scenes Based on Multiscale Rotation
Dense Feature Pyramid Networks 》 、 《 R3det: Refined single-stage detector with feature
refinement for rotating object 》 、 《 A Novel CNN-Based Method for Accurate Ship
Detection in HR Optical Remote Sensing Images via Rotated Bounding Box 》、《Oriented
R-CNN for Object Detection 》 、 《 FCOSR: A Simple Anchor-free Rotated Detector for
Aerial Object Detection 》 和 《 H2RBOX: HORIZONTAL BOX ANNOTATION IS ALL
YOU NEED FOR ORIENTED OBJECT DETECTION》等论文，展示了这些算法的发展
和应用。
旋转框算法，如在《Multiscale Rotation Dense Feature Pyramid Networks》研究中
提到的，通过引入旋转边界框以更精确地覆盖和检测倾斜或旋转的船只，特别适合处
理复杂场景下的目标检测，如遥感图像中船只的检测。这种方法能够有效地减少误检
和提高检测精度，尤其是在目标方向多变的海面环境中。再如《R3det: Refined Single-
Stage Detector with Feature Refinement for Rotating Object》该论文针对旋转目标检测的
挑战，提出了一种新颖的单阶段检测器 R3Det，旨在通过特征精炼机制来提高旋转目
标的检测准确性和效率。又如《A Novel CNN-Based Method for Accurate Ship Detection
in HR Optical Remote Sensing Images via Rotated Bounding Box》这篇论文针对光学遥感
图像中船只检测的难题，提出了一种新颖的基于卷积神经网络（CNN）的方法，通过
旋转边界框来更准确地定位不同方向的船只。
相比之下，水平框算法，尽管在处理直立或水平放置的目标时效率高、计算简单，
但在面对倾斜或旋转目标时，可能会引入更多的背景噪声，降低检测精度。
《H2RBOX: HORIZONTAL BOX ANNOTATION IS ALL YOU NEED FOR ORIENTED
OBJECT DETECTION》论文中虽然强调了水平框注释在定向对象检测中的有效性，但
也隐含了在特定应用场景下，如船只检测，旋转框提供了更准确的定位能力。
 总的来说，旋转框算法在海面目标检测中展现了对复杂场景和多变目标方向的高
适应性和精确度，尤其是在遥感图像分析中。然而，这也伴随着更高的计算复杂度和
处理时间。对于一些对实时性要求不高、目标方向变化不大的应用场景，传统的水平
框算法可能仍然是一个有效且高效的选择。在选择适合的目标检测算法时，需要根据
具体的应用需求和场景特点进行权衡选择。

2.3 发展趋势

为了适应边缘计算和在资源受限的平台上进行实时处理，研究者正致力于优化深
度学习模型的计算效率和模型大小，使其能够在卫星或无人机等平台上直接进行海上
目标的快速检测。随着遥感技术的进步，获取更高分辨率和更大范围海洋环境数据成
为可能。利用这些数据，可以实现对更小的海上目标的精确检测，以及对海洋环境的
全面监测。随着深度学习技术的不断进步，新的网络结构和训练策略将不断涌现，以
进一步提高检测性能。此外，无监督和半监督学习技术的发展，将有助于解决标注数
据不足的问题，提高模型的泛化能力。
总体而言，海上目标检测技术正处于快速发展阶段，深度学习的应用大大提升了
检测性能，而技术的进一步发展将有助于解决实时性、准确性和鲁棒性等挑战，满足
日益增长的海上监控需求。随着技术的不断进步和应用场景的拓展，海上目标检测将
在海洋安全、环境保护和资源管理等领域发挥更大的作用。

3 常用算法综述与数据集介绍

3.1 水平框与旋转框算法

旋 转 框 目 标 检 测 算 法 ， 如 RRPN （ Rotational Region Proposal Network ） 和

SCRDet（Small, Cluttered and Rotated Object Detection ），与传统水平框检测算法如
Faster R-CNN 和 SSD（Single Shot MultiBox Detector）相比，展现出对旋转或倾斜物体
的精确定位能力。水平框算法通过生成与图像边缘平行的边界框，适用于直立或水平
放置物体的检测，但在面对倾斜或旋转的对象时，往往会引入较大的定位误差和不必
要的背景信息，影响检测效率和精度。相比之下，旋转框算法通过允许边界框自由旋
转，紧密贴合对象的实际形状和方向，显著提高了对旋转或倾斜对象的检测准确性
RRPN 在 Faster R-CNN 框架上进行改进，引入旋转区域提议来有效处理图像中的旋转
对象，而 SCRDet 则专门针对小型、密集和旋转目标的检测进行了优化。这些旋转框
算法在遥感图像分析、场景文字识别等领域，相较于 Faster R-CNN 和 SSD 等传统水平
框算法，提供了明显的检测优势，尤其是在需要精确处理旋转或倾斜对象的应用场景
中。

3.2 数据集

在遥感图像分析和海面目标检测领域，SSDD、HRSID 和 SAR-Ship-Dataset 是三
个关键的数据集，各自针对不同的成像技术和应用场景。SSDD 数据集专注于合成孔
径雷达（SAR）图像中的船只检测，适用于全天候条件下的海面监控，挑战在于处理
SAR 图像的斑点噪声。HRSID 数据集则聚焦于高分辨率光学遥感图像，特别适合在复
杂背景如港口和海岸线附近进行船只检测，其主要挑战是应对天气条件对光学图像的
影响。SAR-Ship-Dataset 也是为 SAR 图像中的船只检测设计，提供了多样化的海况和
船只类型，旨在评估算法在各种条件下的性能，同时需克服海洋现象引起的误检问题 。
这些数据集为研究人员提供了宝贵的资源，以开发、测试和改进目标检测算法，每个
数据集的独特特点和应用场景都对算法的设计和评估提出了特定的要求和挑战。

4 总结
总结而言，随着深度学习技术的快速发展，基于先进目标检测算法的海面目标检
测领域已取得了显著进展。从最初的基于规则的图像处理技术到现今的深度学习模型 ，
如卷积神经网络（CNN）及其改进算法，海面目标检测技术经历了一系列的演变。这
些技术不仅提高了检测的准确率和效率，还解决了海面环境的复杂性带来的挑战，如
海浪、云层遮挡和光照变化等。此外，旋转框算法的引入为处理旋转或倾斜的目标提
供了新的解决方案，显著提高了检测的准确性。
面对海面环境的复杂多变和目标的多样性，多源数据融合、数据增强、迁移学习
等技术在提升检测性能方面发挥了关键作用。这些技术不仅提高了模型的鲁棒性和泛
化能力，还为处理小目标检测等难题提供了有效手段。
尽管已取得了显著成果，海面目标检测领域仍面临着一系列挑战，如提高模型的
实时性、处理大长宽比和密集分布目标的能力、以及减少类别不平衡的影响等。未来
的研究需要进一步探索更高效、更鲁棒的算法，以适应不断变化的海面环境和多样化
的应用需求。同时，算法的优化和模型的轻量化也是实现边缘计算和在资源受限平台
上进行实时处理的关键方向。
综上所述，基于先进目标检测算法的海面目标检测技术正处于快速发展之中，未
来有望在海洋安全、环境保护、资源管理等领域发挥更大作用。通过持续的研究和技
术创新，有望克服现有挑战，推动海面目标检测技术向更高水平发展。
 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.