多尺度特征融合的Anchor-Free 輕量化艦船要害部位檢測算法

李晨瑄 顧佼佼 王磊 錢坤 馮澤欽

(1. 海軍航空大學 岸防兵學院, 煙臺 264001; 2. 中國人民解放軍 91900 部隊, 青島 266041)

隨著高新技術的不斷迭新,未來戰爭形式發生深刻變革。 高精度、全方位的海戰場態勢感知能力與精確制導、快速突防能力等,是提升裝備打擊效能、建設海洋強國的重要保障。 傳統的飛航式導彈打擊效果易受到目標姿態、命中點位置影響,無法發揮最大作戰效能。 如何以最小的彈藥消耗實現對敵最大毀傷,具有重大研究意義。

已有的艦船目標打擊方法多將艦船視為質點,導引頭無法檢測命中點。 若命中點非要害部位,無法有效遏制敵艦作戰能力。 若命中敵艦雷達、駕駛艙、天線等要害部位,可癱瘓敵艦作戰能力,較好地降低敵艦對我方火力威懾。 為實現“發現即打擊”的戰略目標,亟須提升輕型反艦導彈或無人武器對艦船要害部位的精確檢測能力。傳統利用滑窗提取區域建議框的目標檢測算法,如SIFT、HOG[1]等,檢測特征依靠人工設定,魯棒性差,漏檢、錯檢較多;深度卷積神經網絡的出現,優化了復雜特征的檢測算法,有效促進了諸如艦船目標檢測[2]等任務的工程實現。 基于卷積神經網絡的目標檢測算法按算法實現可劃分為兩階段算法與單階段算法。 兩階段[3]的檢測算法先生成目標區域建議框,再對區域建議框實現回歸與分類,文獻[4]基于Faster-RCNN 實現了合成孔徑雷達(synthetic aperture radar,SAR)圖像的艦船目標檢測,利用特征聚合與模型遷移提高了弱小目標檢測性能;文獻[5]引入編碼-解碼塊及空洞卷積,改進了輸入層結構,利用艦船自身與環境特性,實現了近岸復雜背景下艦船目標檢測。 單階段[6-7]算法不生成區域建議框,利用神經網絡直接回歸目標的類別與位置。 針對多分辨率成像條件下的艦船目標,文獻[8]引入了特征金字塔與Focal-Loss 提升網絡對不同尺度目標檢測的魯棒性;文獻[9]基于SSD 網絡,針對噪聲影響下的小目標,融合高層與低層特征,有效利用特征圖關聯性提升檢測精度。 兩階段算法精度優于單階段算法,但網絡結構復雜,用于輕型反艦導彈快速突防過程中的檢測任務,實時性有待改進。 單階段算法無需生成區域建議框,犧牲部分檢測精度使得速度得到提升。 上述兩階段與單階段檢測算法均為Anchor-Based 算法。

Anchor-Based 算法計算網絡生成的錨框與真實框之間的評價函數實現目標檢測,但錨框不可避免地引入了冗余的超參數與不平衡的正負樣本。 為弱化重復堆疊的錨框對檢測精度的影響,Anchor-Based 算法引入非極大抑制(non-maximum suppression, NMS)。 NMS 雖提高了檢測精度,但計算量與復雜性嚴重阻礙了檢測速度的提升。Anchor-Free[10-11]算法直接利用關鍵點特征熱力圖進行目標檢測,不依賴錨框,提升檢測精度的同時,加快了檢測速度,適用于反艦導彈突防過程中導引頭對艦船要害部位的快速精確檢測任務。

上述算法均可實現不同任務背景下的艦船目標識別,但仍存在以下不足:①將艦船視為整體目標,難以準確檢測艦船要害部位,無法為反艦導彈提供準確的目標指示信息;②算法對不同尺度的目標特征利用率較低,對不同特征圖通道間的關聯性分析不足;③神經網絡對數據集質量要求較高,軍艦數據獲取困難,僅訓練少量的軍艦數據,網絡難以學習到有效的特征表達,可能導致無法收斂。 基于艦船要害部位特征關鍵點的檢測算法受艦船姿態影響較小,直接利用算法生成的特征熱力圖,回歸要害部位的類別與位置,能夠保證較高的檢測精度與實時性。

綜合考慮輕型反艦導彈對艦船要害部位的檢測精度與實時性要求,以及彈載設備的運算能力,受CenterNet[12]網絡啟發,本文提出了一種多尺度特征融合的Anchor-Free 輕量化艦船要害部位檢測算法ECAs-Hourglass。 利用感受野模塊(receptive field block,RFB),即多尺度特征融合模塊提取不同尺度感受野的特征信息,提升多尺度要害部位檢測精度;引入輕量化的高效通道注意力機制(efficient channel attention,ECA)改進Hourglass網絡,有效利用不同通道間的關聯性,僅增添極少運算量,改善編碼與解碼過程造成的檢測信息損失,并結合遷移學習提升網絡收斂效果。 使用無人機模擬輕型反艦導彈低空掠海飛行時,獲取到的多尺度、多角度的可見光艦船數據,建立了艦船要害部位檢測數據集。 實驗結果表明,ECAs-Hourglass 算法可在不依賴錨框的情況下,準確檢測艦船要害部位,在小樣本、多尺度數據條件下,滿足導引頭檢測速度與精度要求,算法可擴展性較好。

1 數據集的構建

當前基于艦船目標檢測的數據集多為SAR圖像數據,數據集標注整體艦船目標,多用于實現艦船類型識別與位置檢測任務。 輕型反艦導彈或無人武器執行敵艦精確打擊任務時,多為低空掠海飛行,導引頭視角以正舷或側舷為主。 綜合分析反艦導彈突防與精確打擊任務需求,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;打擊艦船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,已有的公開標注數據集無法實現艦船要害部位檢測。 結合輕型反艦導彈作戰任務需求,數據集定義艦船要害部位分別為雷達、駕駛艙、天線桅桿與水線。

使用無人機模擬輕型反艦導彈低空掠海飛行,拍攝不同視角、不同尺度的軍艦、海警船可見光圖像,并利用爬蟲收集公開艦船圖像,制作了艦船要害部位檢測數據集,經翻轉、平移實現數據增強,數據集信息如表1 所示,艦船要害部位檢測數據集如圖1 所示。 數據集為PASCAL VOC 格式,使用開源工具labelImg 人工標注,文獻[13]指出對于具有狹長的帶狀結構或離散分布的待檢測目標,利用卷積與池化操作提取特征時,不可避免會受到無關區域信息的干擾,檢測難度較高。 前期對檢測框標注算法進行測試,實驗結果表明,過于狹長的水線標注框不利于算法提取有效特征信息。 當導引頭視角為艦首或艦尾時,水線特征與側舷視角時的艦船水線相似,但標注框長寬比差異大,導致檢測精度難以提升。 考慮到用于特征提取的卷積核與池化內核多為正矩形,導引頭獲取的艦船圖像水線多與海天線平行,結合前期標注實驗測試結果,改進水線這類要害部位的標注框。 框定接近水平且環境噪聲干擾較小的水線特征,避免使用過于狹長的矩形框標注水線,同時避免覆蓋大面積艦船;雷達、駕駛艙、天線桅桿等艦船要害部位以框選目標邊緣為基準進行標注,改進后的要害部位檢測框標注示例如圖2 所示。 數據集標注類別為雷達、駕駛艙、天線桅桿、水線,共包含6 402 張圖像。

圖1 數據集部分樣本Fig.1 Partial samples of dataset

圖2 艦船要害部位標注樣例Fig.2 Labeled samples of warships’ vital parts

表1 艦船要害部位檢測數據集信息Table 1 Dataset information of warships’ vital parts

圖像像素為512 ×384,按照8∶1∶1 劃分訓練集、測試集、驗證集,小尺度要害部位(像素小于50)占數據集的56%,中等尺度要害部位(50 ～130 像素)占35%,大尺度要害部位(大于130 像素)占9%。 訓練集與驗證集中,要害目標類別與要害部位數量關系如圖3 所示。

圖3 數據集要害目標類別與數量Fig.3 Categories and quantities of vital parts in dataset

2 算法實現與優化

2.1 算法框架與損失函數

CenterNet[12]是一種端到端的Anchor-Free 算法,兼具檢測速度與精度優勢。 輸入圖像I∈RW×H×3,W和H分別為艦船要害部位的寬和高。 經由檢測網絡運算生成關鍵點熱力圖(heatmap)如下:

式中:R為下采樣率;c為要害部位類別數。

算法借助式(2)所示高斯核函數將目標轉換成關鍵點,通過熱力圖表征檢測要害部位信息:

式中:Yxyc為圖像真實標簽值;?px、?py為要害部位坐標;σ為方差。

CenterNet 算法對比了3 種不同的編碼-解碼(encoder-decoder)結構,包括卷積殘差網絡(upconvolutional residual networks,ResNet)[14]、深層特征融合網絡(deep layer aggregation,DLA)[15]及沙漏網絡(Hourglass network)。 如圖4 所示,算法將卷積處理后生成的特征熱力圖輸入檢測模塊,檢測模塊具有3 個預測分支:目標中心點預測分支用于檢測熱力圖目標中心點,目標尺度預測分支用于檢測艦船要害部位的寬與高,基于中心點生成預測框,中心點偏移量預測分支用于回歸目標中心點的偏移量。

卷積神經網絡中的池化操作可實現圖像下采樣,降低網絡參數,與不同尺度的卷積核共同作用,能夠增大卷積核的局部感受野。 卷積神經網絡底層特征具有較高的空間分辨率,包含圖像局部細節信息較多,低分辨率的特征圖含有的細節信息較少,語義特征較豐富。 對于小尺度的艦船要害部位檢測而言,經過下采樣后,要害部位目標可能會變成一個像素甚至消失,大量的空間特征損失易導致小目標的漏檢。

針對輕型反艦導彈突防過程中,導引頭對艦船要害部位檢測任務需求,綜合考慮彈載設備運算能力,要害部位檢測算法需兼顧檢測精度與檢測速度,因此,設計了一種基于跨通道特征增強與多尺度感受野特征融合的Anchor-Free 輕量化艦船要害部位檢測算法ECAs-Hourglass,算法結構如圖4 所示。 算法主要由3 部分構成:①在預處理模塊引入RFB 融合多尺度特征參數,使用多種尺度空洞率的空洞卷積提取高質量特征,融合不同尺度感受野下艦船要害部位的特征信息,在獲取更多特征信息的同時,可用于提升算法對多尺度、多角度艦船要害部位的檢測魯棒性;②利用深度可分離卷積降低運算量與參數冗余,提升檢測速度;特征提取主干網絡(圖4 中ECAs-Hourglass)中,ECAs-Hourglass 算法并行地使用高效輕量化注意力機制ECA 改進Hourglass 網絡中簡單的跨層連接,如圖4 中紅色虛線所示;③ECA 能夠增強有效特征,抑制無用特征,降低算法編碼與解碼過程造成的特征映射損失,在保證檢測速度的同時,使ECAs-Hourglass 獲取到更高質量的特征熱力圖,提升多尺度艦船要害部位的檢測精度;④檢測模塊將融合后的特征圖輸入預測分支,求解要害部位中心點坐標、檢測框寬高及目標中心點偏移量,從而實現艦船要害部位的精確檢測。

圖4 ECAs-Hourglass 算法結構Fig.4 Structure of ECAs-Hourglass algorithm

依據ECAs-Hourglass 算法原理與艦船要害部位檢測任務需求,定義損失函數。

1) 目標中心點預測分支。 單個要害部位中心點唯一,非目標位置易產生較多中心點,訓練過程存在正負樣本分布不均衡等問題,故使用改進的Focal-Loss 損失函數,改善正負樣本分布不均。目標中心點預測損失函數如下:

式中:α、β為損失函數懲罰系數;N為圖像目標中心點個數;Yxyc為圖像真實標簽值;Y^xyc為預測值。

2) 目標尺度預測分支。 通過回歸熱力圖與特征圖,求得每個要害部位的寬高。 目標尺度預測損失函數如下:

式中:S^lq為利用算法回歸得到的預測目標尺寸;sq為目標真實尺寸,q為求和運算中的第q個目標。

3) 中心點偏移預測分支。 特征提取模塊處理R倍下采樣后的特征圖,將所得特征圖與原圖建立映射,映射期間會產生像素偏移誤差,故定義目標中心點偏移損失函數如下:

式中:p/R為R倍下采樣后目標中心點實際坐標;?p為回歸得到中心點預測坐標;p/R- ?p為目標中心點真實坐標偏移量;O^?p為中心點預測坐標偏移量。

3 類損失函數分別與不同權重相乘,即得到ECAs-Hourglass 算法的總體損失函數如下:

由于檢測數據類型與檢測框類型不影響預測分支懲罰系數,參照原CenterNet 網絡,分別設置目標中心點預測分支邏輯回歸懲罰系數α= 2,β=4,中心點偏移損失權重λoff=0.1,目標尺度預測損失權重λsize=1。

2.2 多尺度感受野特征融合

導引頭不斷接近艦船的過程中,待檢測要害部位的圖像分辨率隨距離發生變化,艦船要害檢測任務需適應不同尺度、不同類別的目標。 為增強算法對不同尺度艦船要害部位的檢測魯棒性,進一步提升檢測精度,引入RFB 模塊,分別利用空洞率為1、3、5 的空洞卷積,提取不同尺度的特征信息,再利用通道疊加操作(Concat)與1 ×1 的卷積實現特征融合,有效利用不同感受野的特征信息,在增加較少計算量的同時,增強對多尺度艦船要害部位的檢測性能。 RFB 多尺度特征融合模塊如圖5 所示。

圖5 多尺度特征融合模塊Fig.5 Multi-scale feature fusion module

空洞卷積能夠有效增加感受野。 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,在擴大感受野的同時,保持與常規卷積相同的計算量,適用于提取不同尺度的特征信息。 空洞卷積的卷積核計算如下:

式中:K為空洞率為rate 時的空洞卷積核尺寸;rate 為空洞率;k為原卷積核尺寸。

對于多尺度成像的艦船要害部位檢測任務,距檢測要害部位目標中心點越近的特征,具備的信息越重要,需要用小尺度的卷積核進行特征提取;對于尺度較大的要害部位或距離中心點較遠的采樣點,所需的卷積核空洞率也越大。 RFB 卷積結構如圖6 所示。 1 ×1 的卷積用于跨通道的信息融合;利用2 個連續的3 ×3 卷積替代5 ×5的卷積,能夠在降低計算量的同時,有效提取艦船要害部位特征,增強小目標的特征表達;引入深度可分離卷積能夠減少網絡參數,提升檢測效率。輸入圖像經不同空洞率的卷積實現特征提取后,可得到不同尺度的特征圖,再通過Concat 與1 ×1的卷積實現多尺度特征融合,有效改善網絡對小尺度要害部位空間位移的檢測魯棒性,對不同尺度要害部位的檢測效果均有提升。

圖6 RFB 卷積結構Fig.6 Structure of RFB

2.3 輕量化高效的注意力機制

Hourglass 網絡生成多分辨率特征圖的過程中,不可避免會損失部分特征信息,利用卷積處理不同感受野的特征圖,會產生對最終檢測結果有效的特征,同時也會產生大量干擾檢測效果的特征。ECAs-Hourglass 采用了單級Hourglass 作為主干網絡以保證檢測速度,網絡先利用卷積核與池化操作逐層抽取有效特征,實現特征降維。 在解碼階段利用學習到的特征參數獲取高分辨率特征熱力圖,而特征提取與重建操作等不可避免會導致特征映射過程的精度損失。 分析網絡結構可知,Hourglass 具有較好的對稱性,如圖7 所示,跨層連接的左側與右側特征圖具有相同的分辨率。 若引入注意力機制改進原Hourglass 網絡中簡單的跨層連接,可使算法獲取更高質量的檢測特征圖,能夠增強特征映射過程中的有效特征權重,同時抑制無效特征,可用于改善特征提取與重建過程導致的檢測信息損失。 對比不同注意力模塊在相同的主干網絡(即ResNet 網絡)下的性能,如表2所示[16],TOP-1 準確率表示不同算法在ImageNet數據集測試時排名第一的類別與實際結果是否匹配的準確率。

圖7 ECA 改進的HourglassFig.7 Hourglass improved by ECA

表2 不同注意力機制性能指標[16]Table 2 Performance indicators of different attention mechanism[16]

如表2 所示,相對于不添加注意力機制的原始網絡,SE 模塊、CBAM 模塊、AA 模塊分別使參數增加了4.52 ×106、4.52 ×106、2.91 ×106,添加ECA 模塊后參數與運算量幾乎不增加。 結合TOP-1 準確率測試結果可知,ECA 能夠在引入極少運算負擔的同時,實現較高的檢測精度提升,具備輕量化特性,且運行高效。

SE 模塊利用全局平均池化與加權因子,增強了通道維度上的特征表達,高質量的檢測特征有利于提升目標檢測精度。 CBAM 利用全局最大池化與全局平均池化等,得到特征圖中每個像素點與顯著特征點的反饋,在空間與通道維度完成了特征增強。 ECA 利用一維卷積增強有效特征權重,僅引入極少參數與運算量,相對于其他注意力模塊,檢測效果提升明顯,具有更好的輕量級應用特性。

現有算法多將注意力模塊串行使用,即在大部分卷積層后串行疊加注意力機制,此舉會造成參數爆炸與龐大的計算開銷[17],考慮到艦船要害部位檢測模型需部署到彈載計算機移動端進行測試,ECAs-Hourglass 用 ECANet[16]并 行 地 改 進Hourglass 網絡中簡單的跨通道連接,如圖7 所示。 ECA 能夠降低編碼與解碼過程造成的檢測信息損失,抑制無效特征,增強有效參數,同時避免了串行連接時導致過多的參數與運算開銷,有效利用了不同分辨率的特征信息,使算法生成更高質量的特征圖。 ECAs-Hourglass 能夠在引入極少運算參數的情況下,較好地提升檢測精度,有助于實現艦船要害部位的精確檢測。

數據集包含多尺度的艦船要害部位目標,傳統注意力機制多使用特征降維,往往損失了用于小尺度目標檢測的關鍵信息;而使用全連接層所需參數量與計算量較大,無法有效利用各通道間關聯性。 ECA 先進行特征整合,引入全局平均池化,獲取每個特征圖的重要檢測信息,輸出的特征維度為C×1 ×1,C為特征通道數。 ECA 直接利用卷積核數為k的一維卷積獲取特征信息,避免降維過程造成的信息損失,卷積核尺度k由通道參數自適應確定,如式(8)所示,無需交叉驗證對k手動調優;再利用Sigmoid 激活函數輸出維度為C的新的權重參數,權重參數較好反映了不同通道的重要性與相互關聯度;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,較好抑制無效特征,增強了有效特征的權重,與SENet[18]等注意力模塊相比,ECA 模塊更加輕量、高效。

ECA 結構如圖8 所示。

圖8 ECA 結構Fig.8 Structure of ECA

2.4 遷移學習

由于軍艦數據獲取困難,僅利用小樣本數據集從頭訓練,算法無法學習到有效特征,網絡收斂性較差。 遷移學習[19]包括實例遷移(instancebased transfer)與參數遷移(parameter-transfer)等多種遷移學習算法。 實例遷移指將具有相似特征的數據作為正樣本輔助訓練,經參數微調后,可用于改善小樣本數據集的特征學習效果。 參數遷移指源域與目標域中存在有利于提升實驗效果的、可共享的參數或先驗知識,將這些參數作為初始值訓練得到的目標模型,比使用隨機初始化所得模型更有效[19]。 文獻[4,20]將遷移學習用于艦船目標檢測,檢測精度均得到了不同程度的改善。基于遷移學習數據分布理論,ECAs-Hourglass 利用與軍艦具有較高相似度要害部位特征的海警船、民用船等作為輔助樣本,與軍艦一同作為正樣本訓練。 數據集艦船樣本數量較少,無法實現網絡的重新訓練。 為進一步提升檢測效果,利用參數遷移算法,先凍結檢測器模塊,加載ImageNet數據集上訓練得到的模型參數,應用于ECAs-Hourglass 算法;再利用公開的Seaships 數據集訓練特征提取模塊與ECA 改進后的Hourglass 特征提取主干網絡,迭代500 次后保存模型參數;最后,整體網絡解凍,利用所建立的艦船要害部位檢測數據集訓練,同時微調網絡參數,從而達到更好的收斂效果。

3 實驗結果

3.1 數據集與實驗環境

為驗證ECAs-Hourglass 算法有效性,分別使用艦船要害部位檢測數據集、公開的PASCAL VOC 數據集進行實驗。 實驗環境如表3 所示。

表3 實驗環境Table 3 Experimental environment

初始輸入圖像的下采樣率為R。R取值較小可以保留更多的細粒度特征信息,但會引入較大的運算負擔;R取值較大可降低計算量,但會造成一定檢測精度損失。 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1. 25 ×10-4,在訓練第50 次與第75 次下降為先前的1/10,設置初始迭代次數為160,批訓練規模(batch size)設置為8。

3.2 評價指標

采用每秒處理幀數(frame per second,FPS)評價檢測速度,采用平均準確率的均值(mean average precision,mAP)評價算法檢測性能,mAP 能夠更全面地衡量多召回率下的算法檢測精度,計算如式(9)所示。 FPS、mAP 值越大,表征算法檢測性能越好。 交并比(intersection over union, IoU)閾值設定為0.5,即當IoU 大于0.5時,認為檢測成功。

式中:P為準確率;r為召回率。

3.3 實驗分析

3.3.1 艦船要害部位檢測數據集實驗結果

用艦船要害部位檢測數據集訓練ECAs-Hourglass 算法,待網絡收斂后,即得到艦船要害部位檢測模型。 為驗證算法檢測性能,在相同實驗平臺、相同訓練數據下,與不同檢測網絡性能對比測試,測試結果如表4 所示。

表4 艦船要害部位檢測數據集測試結果Table 4 Test results of warships’ vital parts dataset

與其他目標檢測算法對比可知,ECAs-Hourglass 算法準確率為77.68%,檢測速度為28 FPS,相較于SSD、Mask R-CNN、ResNet18、CenterNet-Hourglass(simple),mAP 分別提升了5.34%、4.03%、5.17%、4.41%。 由于艦船要害部位檢測數據集是關于艦船目標的小型數據集,與ImageNet 等通用數據集差異較大。 僅遷移原CenterNet 網絡參數時,mAP 為71.95%,若使用2.4 節改進后的遷移學習算法,mAP 提升了1.32%,幾乎不影響檢測速度。 從而驗證了遷移學習有助于小樣本數據檢測效果的改善。

由于ECAs-Hourglass 算法采用了多尺度特征融合與并行的高分辨率注意力機制,可實現多尺度的特征提取,擴大了特征圖感受野,充分利用了不同分辨率特征圖的有效信息,抑制了無效信息,適用于多尺度的艦船目標要害檢測任務。 ECAs-Hourglass 算法檢測速度為28 FPS,略低于SSD 算法,這是由于ECAs-Hourglass 引入不同空洞率的空洞卷積,有效融合了多尺度檢測信息,實現了更有效的特征提取與特征融合,導致檢測速度略有下降,但檢測準確率明顯提升,對不同尺度的艦船要害部位目標檢測效果較好。

不同要害部位檢測精度如圖9 所示。 天線桅桿多為小尺度目標,分辨率低,不同艦船的天線存在差異,利用矩形框標注的天線桅桿包含大部分背景信息,部分艦船圖像天線背景為近岸島礁,背景噪聲嚴重干擾算法提取有效特征,因此天線桅桿的檢測精度低于其他類別要害部位的檢測精度;結合圖1 與圖3 可知,不同艦船的雷達目標特征差異性較大,不同角度拍攝的雷達要害部位圖像差異較大,且雷達圖像數量較少,神經網絡的特征學習效果與數據質量密切相關,故雷達這類要害部位的檢測精度相對較低;水線類要害部位多為狹長條狀,較為狹長的檢測框不利于卷積核提取有效特征,檢測難度較大。 由于導引頭獲取的艦船圖像水線多與海天線平行,結合前期數據集標注算法相關實驗,對標注算法進行改進,改進算法參閱第1 節所述,避免使用過于狹長的矩形框標注水線,框定接近水平且環境噪聲干擾較小的水線特征(標注實例見圖2),在滿足導引頭對艦船水線這類要害部位檢測任務要求的情況下,水線的檢測效果得到改善;駕駛艙目標尺度大,特征較為清晰,不同角度成像差異較小,故在4 類要害部位中檢測精度最高。

圖9 不同要害目標檢測精度Fig.9 Detection accuracy of different vital targets

由圖9 可知,ECAs-Hourglass 算法對4 類要害部位檢測精度均有提升,其中駕駛艙、水線、雷達、天線桅桿要害部位檢測精度分別提升4.54%、6.71%、3. 21%、3. 18%,證明了ECAs-Hourglass算法改進的有效性。

部分艦船數據檢測結果及熱力圖如圖10 所示。 由表4 與圖10 可知,ECAs-Hourglass 算法對不同角度、不同尺度獲取的艦船要害部位,均可較好地實現多尺度、多角度要害部位檢測,無需傳統的基于海陸分割與雜波建模等預處理,可實現端到端的檢測,檢測速度滿足任務需求;且檢測特征無需人工設計,魯棒性較好,精度較高。

圖10 部分艦船要害部位檢測結果及熱力圖Fig.10 Detection results and heat-map of warships’ vital parts

ECAs-Hourglass 算法訓練損失函數變化曲線如圖11 所示。 由于數據集包含多尺度艦船要害部位,訓練初期,目標尺度預測損失較大,迭代20輪后,由14 降低至4。 當迭代輪數大于70 時,熱力圖目標中心點與目標尺度預測損失曲線均實現較好收斂;當迭代輪數大于90 時,要害部位中心點偏移損失曲線由0.28 降低至0.22 左右,曲線趨于穩定,總體偏移損失取值較小,檢測精度較高。 由圖11 可知,隨迭代輪數的增加,損失函數變化曲線逐漸降低,訓練結果趨于穩定,算法可達到較好的收斂效果。

圖11 損失函數曲線Fig.11 Curves of loss function

為進一步測試ECAs-Hourglass 算法的魯棒性,重新劃分艦船要害部位檢測數據中訓練集與測試集比例,分別設置為7 ∶2、6 ∶3,計算mAP 如表5所示。 可知,3 種劃分比例下的算法mAP 均可達75%以上,說明ECAs-Hourglass 算法適應性較好,檢測結果較準確。

表5 不同比例訓練集與測試集測試結果Table 5 Test results with different ratio of training set and validation set

3.3.2 參數與運算量對比分析

綜合考慮彈載設備運算能力及其對艦船要害部位檢測的實時性要求,算法需兼具檢測速度與檢測精度,對ECAs-Hourglass 與不同網絡的參數與運算量,即浮點運算次數(floating point of operations,FLOPs)進行對比分析,參數與運算量如表6所示,表6 所示為整體檢測網絡所需參數與總體運算量,包括數據輸入、主干特征提取與檢測器輸出等。 表中:“*”表示原CenterNet 模型特征預處理算法,即利用核數為7、步長為2 的二維卷積,以及步長為2 的殘差塊實現輸入圖像的預處理,由于艦船要害部位檢測數據集中,不足50 像素的小尺度要害部位目標較多,原特征處理方式易損失較多信息,不利于提升檢測精度;“**”表示利用核數為5、步長為1 的深度可分離卷積與步長為2 的殘差塊對輸入圖像預處理,利用深度可分離卷積改進圖像預處理模塊,能夠在降低算法參數的同時,較好地保留利于小尺度艦船要害部位檢測的底層特征,有助于提升檢測精度與檢測速度。

由表6 可知,雙級Hourglass 參數量顯著高于單級Hourglass 網絡,無法滿足彈載嵌入式設備硬件要求,因此,選取單級Hourglass 作為主干特征提取網絡。 深度可分離卷積[21]改進了二維卷積,能夠在保證檢測精度的同時,大幅度降低網絡計算參數。 利用深度可分離卷積改進初始特征層中的核數為7 的普通卷積,能夠在不增加運算參數的同時,保留較多特征信息;空洞卷積利用不同空洞率的卷積核提取特征,在不增加額外運算量的同時,有效利用多尺度感受野,獲取更多的檢測信息,RFB 模塊能夠較好融合不同尺度的特征信息,適用于艦船要害部位等多尺度檢測任務;ECA模塊添加在主干網絡中,導致算法增加了較多的參數量,檢測精度提升幅度較低;ECAs-Hourglass算法利用ECA 并行的改進原Hourglass 結構中的跨層連接(見圖8),提升更多檢測精度的同時引入的參數與運算量更少。 改進后的ECAs-Hourglass 算法能夠充分利用不同通道間的關聯性,降低了下采樣造成的特征損失,在保證檢測速度的同時,有助于提升檢測精度,模型參數更少,硬件負擔更低。

表6 網絡模型參數與運算量Table 6 Parameters and operands of models

綜上,利用深度可分離卷積替換原始二維卷積能夠降低算法參數規模與運算量,利用ECA 注意力機制并行改進原Hourglass 結構中的跨層連接,與現有串行使用注意力機制的算法相比,算法總參數更低,同時利于改善算法編碼-解碼過程造成的特征損失;ECAs-Hourglass 算法在參數量、總體運算量上,具有較好的輕量化算法特性。 利用艦船要害部位檢測數據集測試,檢測速度為28 FPS,mAP 為77.68%,滿足輕型反艦導彈彈載嵌入式設備的檢測效果與應用要求。

3.3.3 消融實驗設計

設計消融實驗,進一步評估不同模塊對檢測結果的影響,利用公開的PASCAL VOC 數據集測試算法性能,實驗參數同3.1 節,對比測試與消融實驗結果如表7 所示。

由表7 可知, 在相同實驗環境下, 利用VOC2007 + 2012 數據集測試,ECAs-Hourglass 算法mAP 可達66.63%,檢測速度為29 FPS。 相較于SPP-Net、YOLO 與單級Hourglass 網絡,mAP 分別提升了7.13%、0.84%、5.57%。 Mask R-CNN網絡檢測精度較高,但檢測速度僅為15 FPS,無法滿足檢測速度要求。 由于ECAs-Hourglass 引入RFB 融合了多尺度特征,添加了高效注意力機制ECA,算法復雜度提升,檢測速度略有下降,由33 FPS降低至29 FPS,但仍可滿足實時性要求。

表7 對比測試與消融實驗Table 7 Comparison test and ablation experiment

單級Hourglass 網絡引入RFB 后,mAP 提升了4.12%,檢測速度由33 FPS 下降至25 FPS。 RFB提取并融合了不同尺度感受野的特征信息,提升了檢測精度,對多尺度目標檢測性能較好,但損耗了一定的檢測速度;ECA 模塊植入主干網絡中,mAP 僅提升了2.25%,檢測速度下降為23 FPS,將ECA 并行置于Hourglass 不同特征圖的跨層連接部位,mAP 由61.06% 提升到63.99%,檢測速度為30 FPS,說明利用ECA 并行的改進Hourglass網絡跨層連接,相對于串行疊加注意力等方式,檢測精度提升幅度更大,引入的運算量更少。 進一步說明,并行添加ECA 模塊后,使得算法能夠充分利用不同通道的關聯性,在增強有用特征的同時,有效抑制無用特征,有助于檢測準確率的提高。

對比ECAs-Hourglass 算法與原始SSD 算法檢測效果,如圖12 所示。 與原始SSD 算法相比,ECAs-Hourglass 算法對不同艦船要害部位檢測精度均有提升,由圖12 第3 行2 幅圖可知,SSD 算法存在部分漏檢現象,ECAs-Hourglass 算法可準確檢測出遠距離的艦船要害部位;ECAs-Hourglass算法生成的檢測框可準確框選出要害部位,比SSD 算法生成預測框更準確。 由表4 與圖12 可知,ECAs-Hourglass 算法對艦船要害部位檢測效果更好,更適用于輕型反艦導彈對艦船要害部位的精確檢測任務。

圖12 原始SSD 算法與ECAs-Hourglass 算法對比Fig.12 Comparison of original SSD and ECAs-Hourglass algorithms

消融實驗中,tensorboardX 記錄的不同模塊改進后的算法損失函數變化曲線如圖13 所示。 圖中:原始CenterNet 網絡為單級Hourglass 結構。

綜合以上策略,ECAs-Hourglass 算法將艦船要害部位檢測mAP 提升到77. 68%,提升了4.41%,檢測速度可達28 FPS。 與使用單級Hourglass 結構的原CenterNet 算法相比,在PASCAL VOC 數據集上測試ECAs-Hourglass 算法,mAP 提升了5.57%,檢測速度為29 FPS。 由表6與表7 可知,ECAs-Hourglass 算法可在損耗較少檢測速度的同時,有效提升檢測精度,算法參數與運算量較低,滿足彈載設備配置要求,可實現艦船要害部位的精確檢測。

4 結 論

反艦導彈打擊艦船要害部位能夠以最少的彈藥消耗,實現對敵最大毀傷。 針對現有算法無法準確檢測艦船要害部位、檢測模型參數冗余等問題,構建了艦船要害部位檢測數據集進行實驗,提出了一種多尺度特征融合的Anchor-Free 輕量化艦船要害部位檢測算法。

1) 引入多尺度特征融合、高效輕量化注意力機制改進Hourglass 網絡,在艦船要害部位檢測數據集上測試,mAP 為77.68%,速度為28 FPS,相比SSD、Mask R-CNN、CenterNet-Res18,mAP 分別提升了5.34%、4.03%、5.17%。

2) RFB 利用空洞卷積融合多尺度特征,僅增加較少運算量,有效增強了多尺度艦船要害部位檢測精度,mAP 提升了4.12%;特征降維易損失檢測精度,利用ECA 改進Hourglass 中的跨層連接,mAP 提升了2.93%,模型總參數量更少,滿足彈載設備配置要求。

如何進一步提升算法在復雜海岸背景下的檢測精度是后續工作的重點研究方向。