基于深淺層特征融合的艦船要害關鍵點檢測算法

李晨瑄, 錢 坤, 胥輝旗

(海軍航空大學岸防兵學院, 山東 煙臺 264001)

0 引 言

現代海戰中,高精度、全方位的態勢感知能力是精確制導武器的關鍵技術之一。反艦導彈導引頭對艦船要害部位的精確檢測能力、引信與戰斗部的精確打擊能力,是提升裝備作戰效能、建設海洋強國的重要保障。

反艦導彈毀傷效果受艦船姿態、命中點影響較大,傳統的導引策略無法應對瞬息萬變的戰場態勢。末制導段,導引頭捕獲的艦船目標輪廓細節逐漸放大,傳統基于角點[1]的檢測與跟蹤方法對特征利用不充分,易出現跟蹤目標漂移,檢測準確度不足;不同的攻擊進入角條件下,導引頭探測到的艦船投影一致性、規律性差,艦船要害部位易發生大尺度變化,基于局部特征提取、融合的檢測方法魯棒性不足;多角度、多尺度要害部位檢測精度有待提升。因此,亟需研究魯棒性較強的艦船要害部位精確檢測算法,在實現艦船要害部位關鍵點檢測的同時,配合引戰控制導彈命中姿態與戰斗部爆炸方向,可有效增強反艦導彈打擊效能。

深度學習以類人腦的分層機構模型為基礎,利用卷積神經網絡從數據中抽取有效特征,并進行整合與學習,有效促進了艦船目標檢測[2-3]等任務的工程實現。文獻[4]基于分割算法,有效利用圖像中的連通區域,提取方向梯度直方圖(histogram of oriented gridients，HOG)特征訓練分類器,實現了艦船目標的離線分類與在線檢測;文獻[5]將Faster R-CNN算法與恒虛警率相結合,以算法生成的對象建議作為保護窗口,獲取小尺寸目標后,重新評估得分相對較低的預測框,改善了復雜背景下的艦船目標檢測效果;文獻[6]將注意力機制引入RetinaNet[7],利用Focal Loss改善樣本不均衡等問題,在多分辨率成像的艦船檢測實驗中,均達到了較高的檢測精度;文獻[8]將串行修正線性單元添加到SSD[9]的淺層網絡,提升特征傳遞效率,采用特征金字塔網絡逐級融合不同層次的多尺度特征圖,提升了艦船目標的定位與分類精度;文獻[10]基于SSD網絡融合高層與低層特征,利用特征圖關聯性提升噪聲影響下的小目標檢測準確性。以上算法均可實現不同任務下的艦船目標識別,但仍存在一定不足:一是無法實現艦船要害部位的精確檢測,預測框到艦船要害關鍵點信息的轉化耗時長,特征映射導致檢測坐標漂移誤差較大;二是提取目標特征時,對于艦船要害尺度、形態差異大等問題,已有算法尚未制定針對性的解決方案;三是算法參數與模型規模冗余,無法滿足彈載設備對檢測模型的輕量化要求。

基于關鍵點的人體姿態估計[11]算法通過給定圖像,確定圖像中人體各部位位置,推斷行為與動作。自頂向下的姿態估計方法首先檢測出圖像內所有目標,再分析目標框內特征信息輸出姿態關鍵點,精度較高但實時性有待提升,易受到目標檢測效果制約,主流自頂向下的檢測方法有G-RMI[12]、Mask R-CNN[13]及Simple Baselines[14]。自底向上的方法首先檢測圖像中所有關鍵點,再利用關聯與分組思想實現關鍵點聚類,精度略低于自頂向下算法,但時效性較好,自底向上的檢測算法如PAFs[15]、DeepCut[16]及Associate Embedding[17]等。

綜合分析精確制導反艦導彈作戰需求,受關鍵點檢測算法[18]啟發,提出了一種端到端的艦船要害關鍵點檢測算法,無需繁重的預測框后處理,利用熱力圖回歸關鍵點特征,直接檢測艦船要害點?？芍苯庸┙o彈載計算機解算當前命中點與任務打擊點的導引誤差,為精確制導武器的設計與改進提供了新思路。

本文主要研究了反艦導彈末制導段,導引頭對艦船要害關鍵點的精確檢測問題,旨在提升反艦導彈對敵艦毀傷概率,以最小的彈藥消耗,實現最大毀傷效能。構建了艦船要害部位關鍵點檢測數據集,針對傳統算法對特征質量要求高、受噪聲影響大等問題,提出了基于深度學習的艦船要害關鍵點檢測算法,設計了針對性的優化方案。對用于抽取特征的殘差模塊進行輕量化改進,利用高效通道注意力(efficient channel attention,ECA)機制增強有效特征,抑制無效特征,提高精度的同時,有效降低參數冗余;針對艦船要害部位檢測數據尺度、角度變化劇烈等問題,增加多種不同尺度的感受野模塊(receptive field block，RFB)融合多尺度特征,改善算法對多尺度特征圖的回歸精度。實驗表明,算法可實現多角度、多尺度成像下艦船要害關鍵點檢測,魯棒性較好,并能夠有效降低參數冗余,兼具檢測精度與速度優勢。

1 基于關鍵點網絡的艦船要害部位檢測

1.1 算法框架

針對艦船要害關鍵點檢測任務,綜合分析彈載設備運算能力,提出了深淺層特征融合的艦船要害關鍵點檢測算法Warkp-DLA。深度卷積神經網絡淺層特征語義信息少,定位信息豐富;深層特征語義信息豐富,對熱力圖中心點回歸效果好,但定位信息粗略,深淺層特征融合算法設計遵循的主要原則是在主干網絡中降低信息損失,充分融合深層語義信息與淺層定位信息,有效利用細粒度多尺度特征圖,提升檢測精度。Warkp-DLA算法主要結構如圖1所示。

Warkp-DLA算法使用DLA網絡作為基礎編碼-解碼結構,如圖1所示。在編碼階段,使用卷積與池化縮減特征空間維度,在解碼階段,利用反卷積及特征聚合恢復目標細節。艦船要害關鍵點檢測效果對解碼后生成的特征熱力圖要求較高,為更好實現多尺度、多角度以及目標不完整時的艦船要害關鍵點檢測,利用RFB融合多尺度特征,提升檢測魯棒性;部分艦船要害關鍵點特征相似性高,最大值池化易損失小尺度關鍵檢測信息,利用SoftPool可保留細粒度特征,改善小尺度目標漏檢現象;利用深度可分離卷積與ECA改進殘差結構,在保證檢測精度的同時精簡算法參數;采用在線難例挖掘改善樣本不均衡,并使用梯度累加提升訓練效率與收斂效果。最后將生成的特征圖輸入檢測結構,獲取要害關鍵點與目標中心點坐標、相應偏移量以及預測框尺度,實現艦船要害關鍵點精確檢測。

圖1 Warkp-DLA算法結構圖

1.2 多尺度感受野特征融合

不同的攻擊進入角下,導引頭探測到的艦船投影一致性差,艦船要害部位易發生大尺度變化,單一尺度的卷積核無法適應變化劇烈的圖像數據,為增強對多尺度要害部位的檢測敏感度,在高分辨率特征圖中引入RFB多尺度特征融合模塊,分別利用空洞率為1、3、5的空洞卷積,提取不同感受野的細粒度特征,再利用通道疊加操作與1×1的卷積核實現特征融合。RFB能夠較好融合不同感受野的特征信息,僅增加極少計算量,使算法具備多尺度的特征表達能力,RFB模塊原理如圖2所示。

圖2 多尺度特征融合模塊

常規卷積求取圖像相應位置像素的加權和,空洞卷積在相鄰采樣點間增加間隔,擴大感受野的同時,保持與常規卷積相同的計算量,適用于提取多尺度的特征信息。空洞卷積的卷積核計算如下:

K=(rate-1)(k-1)+k

(1)

式中:K為空洞卷積的卷積核尺度;rate為空洞率,k為常規卷積核尺度。

距要害關鍵點越近的特征,蘊含的信息越具有區分性,應使用小尺度的卷積核;大尺度要害部位、距關鍵點較遠的采樣點,則需用空洞率較大的卷積核。RFB卷積結構如圖3所示,兩個連續的3×3卷積替代5×5的卷積,可降低參數并增強小目標的特征表達;1×1的卷積核用于跨通道的特征融合;深度可分離卷積可減少算法參數。RFB融合多尺度感受野特征,使特征圖獲取更精確的語義與定位信息,有效增強尺度、角度劇烈變化時的艦船關鍵點檢測魯棒性。

圖3 RFB結構

1.3 SoftPool

池化操作可用于特征降維,緩解過擬合風險,降低卷積層對檢測信息的過度敏感性。最大值池化保留池化內核中的局部最大值,用于突出特征圖中響應較為強烈的部分。對于像素特征差異小的要害關鍵點,利用最大值池化進行特征映射,易損失重要檢測信息,映射過程中的信息混疊致使目標誤檢。高質量的特征信息可提升相似關鍵部位的檢測敏感度,因此用SoftPool[23]改進最大值池化,保留更多細粒度特征信息。SoftPool以指數為基礎,結合softmax的加權方法,能夠保留特征圖的重要屬性,增強更大強度的特征激活。在池化內核中,SoftPool為每一個激活因子ai分配一個權重wi,權重wi與激活值ai一同完成非線性變換如下:

(2)

與最大值池化不同,SoftPool是一種可微的池化方式。每一次反向傳播的梯度均可得到更新,SoftPool可綜合利用池化內核所有的激活因子,僅增加極少內存占用,保留特征圖的細粒度信息。SoftPool前向與反向傳播過程如圖4所示。SoftPool替代最大值池化,有利于算法獲取細粒度的特征劃分,增大相近特征信息區分度的同時,保留了全局感受野的特征信息,可顯著提升艦船要害關鍵點的檢測精度。

圖4 SoftPool處理

1.4 殘差結構的輕量化改進

增加卷積神經網絡的寬度與深度,能夠提升算法特征提取能力,然而層數的加深容易導致反向傳播中的梯度彌散、梯度爆炸等問題,妨礙淺層網絡收斂。殘差網絡緩解了網絡加深引起的性能退化問題。為削減算法參數、降低模型規模,Warkp-DLA算法利用深度可分離卷積改進基本殘差塊。深度可分離卷積將常規卷積分解成兩部分,先后在空間與通道上實現卷積映射,可降低算法參數。設輸入特征圖尺寸為DF×DF×M1,輸出特征圖尺寸為DF×DF×M2,卷積核尺寸為DK×DK×M1,標準卷積參數量為(DF×DF×M1)×M2,深度可分離卷積[24]與標準卷積參數量比值如下所示：

(3)

由于數據集包含多角度艦船目標,部分關鍵點較集中,特征差異小,經實驗測試,利用深度可分離卷積替換所有卷積核,引入了一定檢測誤差,因此僅替換第一層卷積,并引入ECA模塊實現空間注意力聚合,增強有效特征表達,抑制無效特征,1×1卷積用于實現跨通道信息整合。改進后的殘差模塊為Liblock,如圖5所示,能夠增強算法對細粒度特征的學習能力,有效融合深層語義信息與淺層定位信息,在降低運算成本的同時,提升檢測效果,利于導引頭的移動端部署。

圖5 改進后的Liblock

1.5 輕量級的高效注意力機制

Warkp-DLA算法生成多分辨率特征圖的過程中,會產生對最終檢測結果有效的特征,與大量干擾檢測效果的特征。采用ECA[25]能夠抑制無效特征,增強有效參數。ECA首先進行特征整合,利用全局平均池化獲取每個特征圖的重要信息,輸出的特征維度為C×1×1,C為特征通道數。降維過程易損失較多特征信息,ECA直接利用卷積核為k的一維卷積處理特征圖,如下所示:

(4)

式中:C為特征通道數；|*|odd表示最鄰近奇數；γ=2；b=1。k由通道數自適應確定,無需交叉驗證;確定k后，ECA再利用Sigmoid激活函數輸出反應了不同通道的重要性與相互關聯度的權重參數;最后,將新的權重參數與輸入特征圖進行乘積運算,重新分配不同通道特征權重,抑制無效特征,增強了有效特征的權重。

ECA模塊結構如圖6所示。

圖6 ECA結構

1.6 在線難例挖掘與梯度累加

在線難例挖掘:在線難例挖掘(online hard example mining,OHEM[26])可用于解決數據難易樣本不均衡等問題。OHEM分析每個樣本當前損失,將樣本按照置信度誤差降序排列,選取誤差較大的作為訓練負樣本重新訓練。

在難易樣本比例適中的數據中,加入OHEM易強制性去除部分有利于訓練的樣本,影響損失函數的計算。受船體外部涂層影響,部分圖像不同關鍵點區分度低;不同角度拍攝的艦船,相同關鍵點特征差異性大。此外,艦船圖像占比小,同樣導致了難易樣本不均衡,損失函數與訓練效果部分退化。為提升算法精度,由OHEM與數據增強思想啟發,設置負檢測樣本池,在訓練30輪后,將每批訓練量中檢測準確率小于0.5的訓練樣本置于負檢測樣本池,累積64個負樣本后,將其重新送入網絡訓練,改善算法對困難樣本的特征學習能力。

梯度累加:Warkp-DLA算法融合深層與淺層特征,深度學習的訓練效果與GPU顯存以及訓練批處理規模密切相關。較大的處理規模利于算法收斂。同時計算多個損失函數時,計算機需存儲多個計算圖,硬件內存要求高。利用梯度累加,能夠在保存較少計算圖的同時,實現多任務訓練,有效擴充顯存,使Warkp-DLA算法具備更好的收斂能力。

2 艦船要害關鍵點檢測數據

末端命中點打擊階段,輕型反艦導彈多以超低空掠海姿態飛行。執行對敵艦精確打擊任務時,導引頭視角以側舷為主。當前用于艦船目標檢測數據多為點狀合成孔徑雷達(synthetic aperture radar,SAR)[27]圖像,SAR艦船數據多為俯視。紅外熱像儀獲取的灰度圖具備艦船輪廓信息、艦船蒙皮灰度值相近、近距導致灰度值飽和等,造成艦船紋理信息缺失,不適用于艦船要害部位關鍵點檢測任務;此外,由于拍攝角度受限,獲取艦船多角度圖像較為困難。

實際戰場環境采拍方法具有較大時間、空間上的局限性,文獻[28]論證了利用相似數據作為正樣本擴充軍艦數據集,經遷移學習[29]與算法訓練[3]后,可輔助實現軍艦的準確檢測。實驗室利用高仿真度艦船模型實現海戰場戰法推演與模擬,結合任務需求,利用導引頭同型攝像設備獲取多尺度、多視角艦船目標圖像，如圖7所示。

圖7 數據集部分樣本

綜合分析反艦導彈突防與精確打擊任務需求,標注艦船要害部位關鍵點及可見性信息,建立艦船要害部位關鍵點檢測數據集。數據囊括多尺度、多角度艦船圖像。打擊雷達能夠遏制艦船對來襲目標探測能力;打擊駕駛艙可實現較大毀傷效能,癱瘓敵艦指揮作戰能力;打擊天線可阻礙信息傳輸,破壞敵方數據鏈;打擊水線能夠擊沉艦船,使其失去作戰能力。故以炮臺、天線架、重要火力設施、駕駛艙等作為要害檢測關鍵點標注,如圖8所示。數據集共計4 672張圖像,像素為1 024×768,COCO關鍵點標注格式,按照8∶1∶1劃分后,訓練集3 736張、測試集468張、驗證集468張。

圖8 艦船關鍵點

3 實驗結果

3.1 實驗環境

初始輸入圖像的降采樣率為R。R取值較小,保留的細粒度特征信息更多,但硬件運算負擔大;R取值較大計算量低,但會引入較大檢測誤差。為較好地平衡檢測效率與檢測精度,實驗設置R=4。使用Adam優化器迭代訓練,輸入圖像統一縮放為512×512分辨率。訓練過程學習率逐步下降,初始學習率為5×10-4,在第37Epoch、第45Epoch與第70Epoch下降為先前的1/10,設置初始迭代次數為90,批處理規模為8。實驗環境如表1所示。

表1 實驗環境

3.2 損失函數

熱力圖關鍵點預測分支:目標關鍵點中心點唯一,非目標位置易產生較多中心點,故使用改進的Focal Loss損失函數,改善樣本不均衡等問題,關鍵點預測損失函數如下所示：

(5)

關鍵點偏移預測分支:將所得特征圖與原圖建立映射,在映射期間,關鍵點坐標不可避免會產生偏移。算法獲取熱力圖中關鍵點特征,引入偏移量將各關鍵點分配給最接近的特征實例。定義關鍵點偏移損失函數如下:

(6)

艦船尺度預測分支:與常規卷積相比,可變形卷積訓練初期易發散,因此結合艦船中心點與預測框尺度損失共同訓練,可提升艦船關鍵點檢測精度。利用關鍵點空間關系生成艦船目標預測框,通過回歸熱力圖與特征圖,首先計算艦船中心點預測損失,同式(5),再求得每個艦船目標的寬高,艦船尺度預測損失函數如下:

(7)

損失函數分別與不同權重相乘,即為Warkp-DLA算法的總體損失函數如下:

Ldet=Llocation(keypoint+boxcenter)+λoffLoff(keypoint+boxcenter)+λsizeLsize

(8)

由于檢測數據不影響預測分支懲罰函數,參照原CenterNet算法,設置關鍵點預測分支邏輯回歸懲罰系數α=2,β=4,關鍵點與目標中心點偏移損失權重λoff=0.1,檢測尺度損失權重λsize=0.1。

3.3 評價指標

采用目標關鍵點相似度(object keypoint similarity,OKS)作為分段標準,計算OKS分別取0.5,0.55,…,0.9,0.95時的檢測準確度,計算平均準確率的均值,OKS計算如下:

(9)

式中:q表示檢測類別；i表示關鍵點標識；dqi表示關鍵點真實值與預測值的歐式距離；Sq表示預測目標的尺度因子；σi表示第i個關鍵點的歸一化因子,對數據集中所有標簽真實值計算標準差得到；vqi表示關鍵點的標志位。各關鍵點檢測相似度取值介于[0,1]之間,檢測值越接近1,表征檢測效果越好。

平均準確率(average precision,AP)定義為給定閾值s,預測艦船關鍵點在整個測試集上的平均準確率。采用AP的均值(mean AP,mAP)評價算法檢測性能如下:

(10)

采用每秒處理幀數(frame per second,FPS)評價檢測速度。FPS、mAP值越大,表征算法檢測性能越好。

3.4 實驗結果與分析

3.4.1 艦船關鍵點檢測數據集實驗結果

為更好評估Warkp-DLA算法檢測效果,分別使用Resnet18、Res-dcn18、DLA34、DLA-dcn、Hourglass網絡作為對比試驗,測試結果如表2所示。

表2 艦船關鍵點檢測結果

表2可知,Resnet18、Res-dcn18、DLA34、DLA-dcn、Hourglass網絡用于艦船要害關鍵點檢測時,相應mAP分別為81.3%、80.8%、82.8%,83.2%,86.0%。Hourglass雖檢測精度較高,檢測速度僅12 FPS,檢測速度無法滿足任務需求,故選擇DLA-dcn網絡作為主干特征提取結構。Warkp-DLA算法將深層網絡逐層反卷積,并聚合前層網絡有效特征,融合深層語義信息與淺層定位信息,改善深淺層特征映射造成的信息混疊,提升算法對多尺度艦船要害關鍵點的檢測魯棒性。Warkp-DLA算法準確率可達87.6%,相較于以上網絡分別提升6.3%,6.8%,4.8%,4.4%,1.6%,檢測精度較高,性能提升明顯。由于Warkp-DLA算法引入了注意力機制與多尺度特征融合模塊,以SoftPool池化保留了細粒度特征,檢測速度略有下降,為27 FPS,仍高于Resnet、DLA-dcn與Hourglass,具備實時性檢測優勢。網絡訓練過程中的損失函數變化如圖9所示。

圖9 損失函數曲線

由于可變形卷積的比常規卷積更復雜,訓練初期Resdcn18特征學習能力較弱,因此損失函數值較大;Dla34、DLA-dcn首先對圖像下采樣,再利用反卷積逐步恢復高分辨特征圖信息,深淺層特征映射時易造成檢測精度誤差,故曲線波動較為明顯;Warkp-DLA算法收斂性與擬合效果更好,損失函數值更低,證明了算法改進的有效性。對訓練后的模型進行測試,關鍵點檢測結果如圖10所示(為了明顯展示結果細節,檢測效果圖經過裁剪,為原圖的3/5區域)。實驗表明,多角度、多尺度艦船成像條件下,Warkp-DLA算法均可實現艦船要害關鍵點精確檢測。

圖10 檢測結果

由關鍵點熱力圖可知,算法能夠較好地檢測出具有相似特征的不同關鍵點,艦船外包輪廓利用關鍵點空間結構生成,定位精度較高。由艦船中心點熱力圖可知,視場占比大,距離近的艦船熱力圖中心點較大,距離遠的艦船熱力圖中心點較小。算法對多尺度、多角度艦船均可實現關鍵點精確檢測與中心點準確定位。Warkp-DLA算法不依賴整體艦船檢測圖,直接回歸關鍵點檢測結果,當艦船目標不完整或局部遮擋時,可實現要害關鍵點的精準分類與回歸,適用于復雜場景下的艦船要害關鍵點檢測。此外,要害關鍵點檢測結果可輔助導引頭實現艦船位姿估計等任務,算法功能有效擴展。

3.4.2 算法模型與參數分析

艦船要害關鍵點檢測模型需兼具檢測精度與檢測速度,較少的參數與模型規模更有利于導引頭移動端的部署,實驗對比分析了不同網絡的參數與模型規模,如表3所示。

表3 模型參數

表3可知,Resnet18網絡結構較簡單,算法參數較少;DLA網絡在編碼-解碼過程中,聚合了多分辨率的特征圖,不同分支具備不同的上采樣倍數,復雜的深淺層特征聚合導致參數增加;DLA-dcn網絡引入了可變形卷積,為標準卷積核的規格采樣點增添了偏移變量,對不同尺度或形變目標具有更優的檢測魯棒性,精度得到提升,DLA-dcn網絡參數更多,模型規模更大;Hourglass為多層級聯的沙漏結構,在旁路添加了跳躍連接,降低編碼-解碼過程中造成的精度損失,并引入中級監督增強網絡學習能力,參數量高達191.25 M,模型為779.88 M,對硬件配置要求高;Warkp-DLA算法改進DLA-dcn結構,利用深度可分離卷積替換部分標準卷積層,削減了算法參數,訓練后的模型為73.4 M,在保證檢測精度與速度的同時,參數更少,模型規模更小,可較好適應導引頭移動端的部署。

分析不同模塊改進后的參數與模型規模,由表4可知,利用深度可分離卷積替換殘差連接中的部分卷積,相較于原始網絡,參數減少11.55%,模型規模縮減19.64%,可實現模型的輕量化改進;SoftPool池化替代最大值池化幾乎不增加參數量;增添RFB提升了算法對多尺度艦船要害的檢測能力,ECA增強了有效的特征表達,算法對高質量特征的提取與表達能力得到提升,造成參數少量增長,模型規模增大2.43%;SoftPool池化以指數為基礎,結合softmax思想,保留較多用于細粒度檢測的特征信息,有效改善了具有相似特征的艦船要害關鍵點區分度,特征信息更多,規模更大。與原DLA-dcn相比,Warkp-DLA算法模型規模更小,參數更少。

表4 改進后模型參數

3.4.3 消融實驗

設計消融實驗評估Warkp-DLA算法中,不同模塊改進對艦船要害關鍵點的檢測效果,消融實驗損失曲線如圖11所示,實驗結果如表5所示。

圖11 消融實驗損失曲線

表5 消融實驗結果

表5與圖11可知,SoftPool池化保留的細粒度特征更多,利于算法區分具有相似特征的不同關鍵點,mAP提升1.8%,檢測速度由26 FPS提升至28 FPS,證明SoftPool池化用于多尺度、多角度艦船要害關鍵點檢測的有效性;殘差結構可使深層特征迅速獲取淺層的反饋信息,深度可分離卷積替代部分常規卷積,能夠在降低算法參數的同時,小幅度提升檢測速度。針對艦船要害部位尺度變化劇烈的問題,RFB利用空洞卷積實現多尺度特征融合,較好地擴展了網絡寬度,提升算法對多尺度、多角度下的艦船要害關鍵點檢測敏感度,RFB與ECA能夠降低不同分辨率特征圖中的關鍵點映射損失,提升關鍵點偏移量的檢測準確度,較好改善算法對多尺度目標的特征提取能力,mAP提升3.6%。

Warkp-DLA算法有效融合深層語義信息與淺層定位信息,在迭代聚合的過程中不斷增強有效的特征信息,充分利用細粒度高質量的特征圖,mAP提升4.4%,訓練損失更低,收斂速度更快,滿足實時檢測需求。

改進后測試結果如圖12所示,圖12(a)～圖12(e)上層為原算法檢測效果,下層為Warkp-DLA算法檢測效果,與真實坐標對比可知,原算法檢測結果誤差較大,Warkp-DLA算法關鍵點熱力圖高斯分布更集中,檢測效果更清晰、準確,可使導引頭獲取更精準的艦船要害關鍵點檢測信息,滿足多尺度、多角度的艦船要害關鍵點檢測任務需求。由圖12(d)與圖12(e)可知,Warkp-DLA算法不依賴整體艦船檢測結果,在艦船目標不完整的情況下,可直接定位要害關鍵點,算法魯棒性更強;當視場中有多個艦船時,可分別準確地檢測出不同艦船要害關鍵點,艦船中心點回歸準確,利用關鍵點檢測結果表征的艦船輪廓準確清晰,可為艦船航向及姿態的評估提供有力技術支撐。

圖12 檢測結果對比

4 結 論

(1)針對現有算法無法實現艦船要害部位檢測,關鍵點檢測過于依賴整體目標信息,算法參數冗余等問題,提出了一種基于深淺層特征融合的艦船要害關鍵點檢測算法,可實現多尺度、多角度下艦船要害關鍵點檢測,檢測精度高,算法魯棒性強;分析了算法參數與模型規模,并結合消融實驗論證了算法改進的有效性。

(2)針對末制導段艦船圖像尺度、角度變化劇烈,導致要害關鍵點檢測精度不足的問題,RFB與ECA可融合多尺度艦船高分辨特征,增強特征圖關鍵信息表達能力,mAP提升3.6%。

(3)針對最大值池化進行下采樣導致信息損失,具有相似特征的關鍵點難以區分的問題,利用SoftPool改進最大值池化,保留細粒度特征信息,改善相似特征關鍵點的區分度,mAP提升1.8%。

(4)針對算法參數冗余、模型規模大的問題,采用深度可分離卷積改進殘差結構,可顯著降低算法參數,壓縮模型,引入注意力機制可增強有效特征表達,檢測精度高、可移植性好。

(5)針對數據集樣本的不均衡現象,在線難例挖掘可增強算法對困難樣本的特征學習能力,梯度累加可改善訓練過程硬件內存不足,提升算法特征提取能力與收斂速度。

下一步工作擬測試可見光與紅外圖像的模態融合檢測效果,并利用遷移學習實現復雜場景下的艦船要害部位關鍵點檢測。