基于注意力机制和Faster R-CNN深度学习的海洋目标识别模型

来源：大连海洋大学学报杂志2021年第5期北京时间：

作者：文莉莉, 孙苗, 邬满

单位：1.广西壮族自治区药用植物园 信息产业办公室，广西 南宁 530023；2.自然资源部 海洋信息技术创新中心，天津 300171；3.国家海洋信息中心，天津 300171；4.广西壮族自治区海洋研究院，广西 南宁 530022；5.广西大学 电气工程学院，广西 南宁 530004；6.南宁师范大学 北部湾人工智能应技术研究院，广西 南宁 530001

摘要：为进一步提升对复杂海洋目标的检测能力，引入自适应尺度的注意力机制，提出一种适应多尺度复杂海洋目标的改进Faster R-CNN模型，该模型通过将卷积网络与SKNet网络相结合，增强模型的特征提取能力与特征有效性，并针对船舶、蚝排、红树林、海岸线4类典型海洋目标，利用91卫图助手与无人机高清影像建立了12 000张样本库，分别基于改进的Faster R-CNN模型与原模型进行对比测试试验。结果表明：改进的模型虽然略微增加了计算量，但其特征提取能力与目标检测能力明显强于原模型，整体识别准确率为87.1%；在4类典型海洋目标中，船舶的识别准确率最高，可达94.4%，而红树林由于其特征比较复杂，边界不明显，其整体识别准确率为75.1%。研究表明，引入SKNet网络的Faster R-CNN网络模型，不仅增强了模型对多尺度复杂目标的特征提取能力，更适用于对复杂海洋目标的检测与识别。

关键词：注意力机制,SENet模型,SKNet模型,区域候选网络,FasterR-CNN模型,目标检测,深度学习

基金资助：自然资源部海洋信息技术创新中心2019年度开放基金(多源时空数据海洋目标智能提取与行为分析预警)；国家自然科学基金(61763007，61866007)；广西科技重大专项(桂科AA18118025)；科技先锋队“强农富民”“六个一”专项行动2021年度项目(桂农科盟202110)