CN108334859A - 一种基于细粒度特征的光学遥感舰船型号识别众包系统 - Google Patents

一种基于细粒度特征的光学遥感舰船型号识别众包系统 Download PDF

Info

Publication number
CN108334859A
CN108334859A CN201810166163.5A CN201810166163A CN108334859A CN 108334859 A CN108334859 A CN 108334859A CN 201810166163 A CN201810166163 A CN 201810166163A CN 108334859 A CN108334859 A CN 108334859A
Authority
CN
China
Prior art keywords
feature
mark
fine granularity
naval vessel
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810166163.5A
Other languages
English (en)
Other versions
CN108334859B (zh
Inventor
唐非凡
杜艳玲
陈德利
李舰
宋洪波
汪卫
宋巍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
61290 Troops Of Pla
Shanghai Maritime University
Original Assignee
61290 Troops Of Pla
Shanghai Maritime University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 61290 Troops Of Pla, Shanghai Maritime University filed Critical 61290 Troops Of Pla
Priority to CN201810166163.5A priority Critical patent/CN108334859B/zh
Publication of CN108334859A publication Critical patent/CN108334859A/zh
Application granted granted Critical
Publication of CN108334859B publication Critical patent/CN108334859B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于细粒度特征的光学遥感舰船型号识别众包系统，所述的光学遥感舰船型号识别众包系统包括以下步骤：步骤S1、设计舰船的细粒度特征及其形式化表达，设计舰船特征标注任务并采用众包模式进行发布；步骤S2、通过多级质量控制得到舰船的标准标注与置信度；步骤S3、采用决策树算法对细粒度特征标准标注进行自动分类并将其中置信度低的舰船目标交由专家审核研判，最终实现舰船型号自动识别。其优点表现在：通过众包分解任务、协作处理，结合了人工研判与计算机识别的差异优势，实现了可靠高效的舰船型号自动识别。

Description

一种基于细粒度特征的光学遥感舰船型号识别众包系统
技术领域
本发明涉及图像的特征设计、舰船识别、机器学习和图像标注众包等技术领域，具体地说，是为光学遥感影像中的舰船目标设计细粒度特征并通过众包系统对影像中的舰船进行标注和识别的方法。
背景技术
舰船目标识别是计算机视觉和模式识别关注的重要问题，其在精确制导、海上交通管理、反恐、搜救等军事和民用领域具有十分重要的意义。现有技术中关于舰船目标识别主要有：遥感技术、光学遥感舰船识别技术、众包系统等，其具体内容如下：
一、遥感技术
遥感技术是20世纪70年代出现的一种空间观测技术。大范围、长时序、高时效的遥感观测方式为海上目标探测与识别提供了不可替代的数据基础。目前，遥感成像的时空分辨率正在接近甚至达到现场观测数据的精度，极大地促进了海上动态目标识别研究的发展，尤其是在军事方面的研究和应用。遥感技术按成像原理的不同可分为两种：SAR和光学遥感。SAR(Synthetic Aperture Radar，合成孔径雷达)影像采用主动雷达成像方式，因此不受光照、云层等天气条件的限制，实现了对海洋的全天时、全天候观测，在海上目标探测与识别中最早得到应用。但由于其成像原理的限制，其蕴含的信息量非常有限，并且容易受到噪声干扰，例如，SAR影像存在严重的斑点噪声。与SAR影像相比，光学遥感为海上目标识别提供了更加丰富的信息。并且，随着传感器技术发展，光学遥感的成像分辨率可达分米级。如，美国的Onyx卫星空间分辨率达0.3 米，QuickBird为0.61米。高光谱、高时空分辨率的遥感观测技术势必在未来的信息化战争中发挥关键作用。
二、光学遥感舰船识别技术
遥感影像识别是图像识别领域的重中之重。舰船作为海洋战场的主战兵器，其型号识别技术在工业界和学术界均引起巨大关注。现阶段，由于缺乏成熟可靠的舰船型号自动识别技术与系统，目前世界上舰船型号识别业务的主流工作模式仍是以专家研判为主导，大部分工作量基本依靠人工完成。如，由科员、专家等多个级别人才组成的梯队完成对光学遥感影像中舰船目标从粗到细的筛选和研判：科员负责从影像中筛选出军舰或其他高敏感舰船，专家则从中详细判别舰船型号。尽管相比仍不成熟的自动识别技术，人工模式可靠性更高，但随着遥感影像数据量、更新周期与覆盖范围不断提高，这种传统的工作模式将越来越难以在维持可靠性的同时消化剧增的工作量。在这一业务流程中，专家作为资质最高而编制最少的人员承担了型号识别中最困难的工作环节与较大的工作量，其对工作效率的瓶颈作用已有所显现。目前基于遥感影像的舰船目标识别技术已有一定的研究成果，主要可分为以下两大类。
(1)基于特征提取的舰船识别
图像识别一般包括预处理、特征选择与提取和分类方法三个步骤。此类识别方法即通过人工选择特征，利用统计分析、机器学习模型等分类方法，依靠有监督或无监督理论解决舰船目标检测识别问题。其中，特征提取与选择即从原始特征集中选取最有效的特征。舰船原始特征受数据源、光照、成像技术等多种因素影响很大，因而如何通过特征选择和提取获取舰船关键而稳定的特征是研究舰船识别的关键步骤。一般常用全局几何特征、局部结构显著性、灰度统计特征、边缘信息等可以较好描述舰船目标结构、尺度、灰度、几何、纹理等信息的特征。较为常用的特征选择与提取方法包括：Hu不变矩特征提取，通过构造7个对变化不敏感的不变矩使得特征具有旋转、平移和尺度不变性；主成分分析法，通过线性变换的思想，将原特征投影到新的特征坐标系中，从而把有价值信息集中于新建立的少数互不相关的特征中，从而实现特征降维；基于Fisher的特征提取，通过线性投影将原特征投影在最可分的方向上，从而使投影获得的新特征在尽量保留原特征内容的基础上拥有更强的可分性等方法。构建分类器则常用动态贝叶斯网络、神经网络、支持向量机、K最近邻等方法实现舰船识别。例如以面积比编码为核心特征，通过粗糙集理论自动选择最有效的特征组合并以分层判别回归构建分类器；基于改进型SIM模型提取视觉显著性特征，对原始影像进行通道分离并利用负值扩展对比敏感度函数对权重和系数等参数进行调制等方法。
上述方法在基于遥感影像的舰船识别中取得了一定的研究成果，但总结分析发现，上述方法主要是基于人工设计特征提取(颜色特征、纹理特征、空间特征及几何特征等特征)对舰船进行识别，高维度底层特征间存在显著非线性相关性，且对噪声与变换敏感，严重影响舰船识别精准度。人工选择特征存在主观性强、效率低、成本高等特点，加之海洋遥感影像的光谱低反差性和海洋要素表达不确定性，加剧了人工提取特征对舰船识别的不精确性。因此，如何获得舰船的关键而稳定的特征是提高识别精度的关键。
(2)基于特征学习的舰船识别
大量研究和实践经验表明，特征提取与选择是实现高效准确的舰船识别而言有着至关重要的意义。面对特征复杂的舰船目标或是急速增长的新型数据，传统的人工方式往往难以在短时间内选择提取出适合的特征，或是选择的特征难以很好地推广至多种类型目标。特征学习方法则将特征设计交由计算机通过学习数据自动完成，在一定程度上解决了这一困境。目前特征学习在舰船识别领域的研究主要集中于深度学习。深度学习方法通过模仿人脑推理机制，可对各类目标进行多级抽象获得高层特征，从而实现各类目标的特征自动学习、表达与目标分类。近些年随着深度学习技术的蓬勃发展和卷积神经网络在图像识别领域的优异表现，舰船识别技术也开始越来越多地引入卷积神经网络，目前的应用主要还处于舰船存在检测和舰船种类识别，舰船型号识别方面的成果较少。
基于深度学习的多层网络模型实现了舰船关键特征的自动学习与表达，提高了舰船识别精度。但是，深度学习的多层网络模型需要大规模的数据集对其数以百万计的模型参数进行训练，训练集难以短时间内构建。而对于军舰来说，其数据集的构建对专业解译能力要求极高，并且数量非常有限，因此采用深度学习方法进行舰船型号识别非常受限。
虽然目前基于光学遥感影像的舰船识别技术也取得了一定成果，但大多还处于理论、关键技术或原型系统研究阶段，距离真正意义上的业务运行还有一定差距。目前，舰船识别技术研究与业务实际间存在的问题主要有以下几个方面：
(1)计算机自动识别方法与人工研判的局限性
目前，该领域相关研究多聚焦于单纯依靠计算机实现舰船自动识别的算法与技术。经过多年的理论研究与技术积累，现有成果在有限定条件的情况下已能够达到90％以上的识别准确率。可靠性虽然不可谓低，但仍难以满足开放条件下的业务需求,尤其是复杂背景下的多种类舰船型号识别。相较于计算机，人在图像分类识别领域有着天然优势，专业图像研判人员在舰船识别上更为准确。然而，由于海洋面积广阔、舰船型号庞杂、专家编制有限、研判效率低等原因，传统的专家研判舰船型号的工作方式已经愈发难以应对更大的数据量、更快的更新周期与更广的覆盖范围带来的工作量。在现有技术水平下，最大化结合计算机与人的差异优势是大幅提高舰船型号识别技术应用效果的必由之路。
(2)现有的人工选择提取底层特征缺乏可扩展性
选择和提取具有显著识别效果的特征，是实现高效准确分类的首要条件。由于基于深度学习的舰船识别方法所需的海量样本集难以获得，目前主流方法仍是人工特征设计。现有的人工选择提取底层特征大多存在局限性和主观性，常用的特征如SIFT特征、灰度直方图、Harris角点、视觉显著性等往往是针对特定几类舰船的轮廓或色差规律而设计，在限定型号或舰种范围内能取得不错的效果，但面向更多种类的舰船推广时效果就会有所折扣，通用性欠佳。此外，面对不断服役的新型和改型舰船，分类器的扩展不可避免，而动态贝叶斯网络、神经网络、支持向量机等常用的舰船分类模型需耗费较多时间与精力进行重新训练调整。因此，如何设计通用性更强的特征和可扩展性更好的分类模型也是不可忽视的问题。
(3)构建大规模训练样本集缺乏可行性
由于机器学习具备强大的学习与分类识别能力，目前舰船识别技术研究多围绕这一理论展开，而要基于机器学习训练优质的分类器，规模大、质量高的训练集则必不可少。然而，舰船遥感影像与其他目标图像相比，其特殊性在于数量少、成本高、更新慢。不同于汽车或其他移动目标庞大的生产数量，一种型号的军舰通常生产十余艘左右就会停产，这使得针对型号的舰船样本集较难取得很大的规模；目前国内“高分”系列光学成像卫星一景影像的拍摄价格约 2万元，国外卫星的价格则更高，这使得自主构建舰船样本集的成本居高不下；而若依靠谷歌地球等公开源获取免费遥感影像则又存在数据更新慢、质量良莠不齐的缺点，只能用于纯粹研究性质的样本集构建，不适应军事情报对样本集实时更新的要求。在保证训练质量的前提下，如何设计更为廉价、可行的样本集将是必须解决的问题。
三、众包系统
众包(Crowdsourcing)这一概念最早在2006年由Jeff Howe提出，其定义为“将原本由内部专业人士完成的工作，外包给外部不确定人士完成的工作分配模式”。作为一种分布式解决方案和生产模式，众包可以充分协调“人脑”和“电脑”的能力，调集各类分散的人力与计算资源并发扬他们的各自优势；将原本艰巨的工作量分解分包，以更高的效率和低廉的成本处理原本难以完成的任务。目前，基于众包的图像标注系统在学术与工业界均取得了一定的成果，如商用遥感公司DigitalGlobe(数字地球)推出的Tomnod平台、Amazon(亚马逊)开发的AMT平台和Google(谷歌)旗下的reCAPTCHA平台等。
传统的众包系统主要由人才管理、任务处理、质量控制这三部分组成。其中，人才管理部分是系统的先导，负责对参与工作的人员进行筛选和评价；任务处理部分是系统的主体，包括了任务分解和分配、工作环境配置、标注方式设计等；质量控制部分是系统的关键，负责汇总来自各参与者的结果，综合生成一个最可靠的标准标注成果并给出相应的质量评价。传统的质量控制方法有多数投票算法(Most voting)和最大期望(EM)估计算法等。
目前众包系统主要应用于数据的标注和信息提取并为机器学习构建训练集，更多地是一种数据预处理手段，不具备对图像进行识别的能力。
中国专利文献CN201710339880.9，申请日20170515，专利名称为：基于 CNN深度学习的近岸红外舰船识别方法，包括以下步骤：步骤1、设置CNN深层神经网络模型的网络结构参数；步骤2、选取训练样本数据，根据设置的网络结构参数进行CNN训练；步骤3、将测试图像输入训练后的CNN网络，若测试成功率达98％以上，导出文件，存储网络结构参数；步骤4、识别时根据红外分割与跟踪程序，将跟踪窗口中的目标转化为向量，输入CNN网络中并进行预测，输出的score值即为目标预测类型。
上述专利文献的舰船识别方法相比传统舰船识别方法，识别速度快，识别精度更高，为近岸舰船的准确识别提供了有效保障。但是，关于一种增强舰船型号识别的可信度，提高图像识别工作效率的技术方案则无相应的公开。
综上所述，目前而言，传统的图像识别技术仍存在可靠性差、通用性弱等缺陷，深度学习则需要巨大成本构建大规模样本集并训练分类器，两类方法均难以在有限时间和资源下有效实现复杂海洋背景下光学遥感影像中舰船型号识别。然而，单纯人工识别对人员专业水平要求也较高，也难以快速扩展劳动力适应业务需要。为解决这些矛盾，需要一种基于细粒度特征的光学遥感舰船型号识别众包系统，增强舰船型号识别的可信度，提高图像识别工作效率，发扬了与计算机的差异优势，实现精准高效的遥感影像舰船型号识别。而关于这种光学遥感舰船型号识别的方法目前还未见报道。
发明内容
本发明的目的是针对现有技术中的不足，提供一种基于细粒度特征的光学遥感舰船型号识别众包系统，增强舰船型号识别的可信度，提高图像识别工作效率，发扬了与计算机的差异优势，实现精准高效的遥感影像舰船型号识别。
为实现上述目的，本发明采取的技术方案是：
一种基于细粒度特征的光学遥感舰船型号识别众包系统，所述的光学遥感舰船型号识别众包系统包括以下步骤：
步骤S1、设计舰船的细粒度特征及其形式化表达，设计舰船特征标注任务并采用众包模式进行发布；
步骤S2、通过多级质量控制得到舰船的标准标注与置信度；
步骤S3、采用决策树算法对细粒度特征标准标注进行自动分类并将其中置信度低的舰船目标交由专家审核研判，最终实现舰船型号自动识别。
作为一种优选的技术方案，步骤S1细粒度特征的设计选取了三类十种武器设施和上层建筑作为舰船细粒度特征，具体为：
武器类，对应的特征名称为：主炮、导弹发射架、垂直发射井；
建筑类，对应的特征名称为：舰桥、烟囱、直升机库；
甲板类，直升机甲板、直通甲板、斜角甲板、滑跃甲板。
作为一种优选的技术方案，步骤S1细粒度特征的设计使用了特征矩阵对舰船细粒度特征进行表达，特征矩阵由10个特征向量组成，分别代表10个细粒度特征；每个特征向量拥有3个元素，分别代表各个特征在舰艏、舰舯、舰尾3个位置出现的数量。
作为一种优选的技术方案，步骤S1中的细粒度特征的形式化表达具体包括以下步骤：
步骤S11、定义舰船细粒度特征记为t，10种舰船细粒度特征组成的集合记为t＝{ti|i＝1，2，......10}，并将舰船细粒度特征与其军语名称的对应，其中，主炮对应i的取值为1，导弹发射架对应i的取值为2，垂直发射井对应i的取值为3，舰桥对应i的取值为4，烟囱架对应i的取值为5，直升机库对应i 的取值为5，直升机甲板对应i的取值为6，直升机甲板对应i的取值为7，直通甲板对应i的取值为8，斜角甲板对应i的取值为9，滑跃甲板对应i的取值为10；
步骤S12、定义舰船细粒度特征向量记为
步骤S13、定义舰船细粒度特征矩阵记为该矩阵是3行 10列矩阵，由10个3维舰船细粒度特征向量组成，该矩阵中元素的值名为特征值thi，表示该元素所在向量代表特征的位置和数量信息，其中h∈{1，2，3}代表舰船的三个区域，i∈{1，2，......10}代表10个细粒度特征。
作为一种优选的技术方案，步骤S2中包括以下步骤：
步骤S21、人员评级策略；
步骤S22、相对位置匹配算法；
步骤S23、基于业务评级加权的标准标注算法；
步骤S24、置信度计算。
作为一种优选的技术方案，步骤S21中具体包括以下步骤：
步骤S211、定义职称记为Pn，定义资历记为Yn，其中n为任务参与者的编号；
步骤S212、定义业务级别记为Ln，其中n为任务参与者的编号，业务级别共分4级：入职3年(含)以内的实习员为1级；入职3年以上的实习员为2 级；助理员为3级；研究员为4级；1级至3级人员负责任务标注任务，4级人员负责审核任务；
步骤S213、定义标注权重系数记为ωn，n为任务参与者的编号，1级至3 级人员必须分配标注权重系数，4级人员因不参与标注任务，标注权重系数的计算公式如下：
其中，n是任务参与者编号，N是参与此次标注任务的总人数。
作为一种优选的技术方案，步骤S22中包括以下步骤：
步骤S221、定义舰船标注项目记为Ij，其中，j是此次任务中的项目编号；
步骤S222、定义相对位置阈值记为，其中j1和j2分别为进行判断的两个项目的项目编号；
步骤S223、对最初两个项目的相对位置匹配计算，具体如下：
假设任务中项目Ij的范围四角坐标为(xj，yj)，(xj′，yj′)，(xj″，yj″)， (xj″′，yj″′)，该任务中共有J个项目，首先计算判断I1和I2的相对位置关系，相对位置关系由矩形中心点确定，矩形中心点的坐标计算公式为：
算法从任务中最初的两个项目I1和I2开始，在得到O1和O2的坐标后，计算中心点之间直线距离：
相对位置的阈值取两艘舰船中最小舰船宽度的一半，即从舰船几何中心点到舰船侧舷边缘的距离，I1和I2两个项目中最小外接矩形中最小宽度的求解方法为：
I1和I2的相对位置阈值计算方法为：
然后，判断I1和I2是否属于同一个标注集G1：
步骤S224、接下来以I1为基准遍历剩余所有项目，确定属于G1的项目；本次遍历结束后，以I2为基准展开同样的遍历计算，确定属于G2的项目；此后依次判断Ij是否已有所属标注集，若有则判断下一个项目，若无则以Ij为基准进行相对位置匹配遍历，当循环计算全部完成时，即相对位置匹配算法已使此次任务包含的所有项目都关联于各自的标注集。
作为一种优选的技术方案，步骤S23、中具体包括以下步骤：
步骤S231、定义标准标注由标准值μmhi构成，记为：
其中，m为产生该标准标注的标注集编号，h∈{1，2，3}代表舰船舰艏、舰舯和舰尾3个区域，i∈{1，2，......10}代表10个细粒度特征；
步骤S232、定义标注集的形式化表达为：Gm＝{Tnm|n＝1，2，......N}，其中m 为标准集编号，n为标注人员编号，Tnm代表由第n个标注人员标注的、归属于 m标注集的特征矩阵；
步骤S23、已知ωn是标注人员n的在此次任务中的权重系数，N是参与标注人员的数量，M是标注集的数量，基于业务评级加权的标准标注求解如下：
Bm 0中元素为μ0 mhi，对Bm 0进行向下取整运算以实现标准值的四舍五入：
μmhi组成的矩阵即为标准标注矩阵Bm，标准标注的集合为：
Bg＝{Bm|m＝1,2,......M}。
作为一种优选的技术方案，步骤S24、中具体包括以下步骤：
步骤S241、定义标注离散程度记为c.vmhi，其中m为产生该标准标注的标注集编号，h∈{1，2，3}代表舰船3个区域，i∈{1，2，......10}代表10个细粒度特征，标注集m的变异系数组成的矩阵记为：
步骤S242、采用加权方法求得标准标注，在权重体系下求解相应的标准差，得到加权标准差公式为：
其中，N是此次任务参与标注人员总数，即标注集m中包含项目总数；h 和i代表矩阵的行和列，j是标注集m中包含项目的编号；tmjhi表示标注集m 中项目j的特征矩阵中h行i列的特征值；和分别代表标注集m中项目j的标注者n的业务级别与权重系数；
步骤S243、通过h和i累加进行循环运算，遍历标注集m的标准标注矩阵 Bm中所有标准值μmhi后，可以求得30个加权标准差σmhi，组成标准差矩阵为：
得到标注集m全部的加权标准差后，再通过其计算变异系数，即标注的离散程度：
同理，经过循环计算求得所有变异系数后可以组成标注集m的变异系数矩阵C.Vm，为确定该标准集中标注人员意见分歧最大的程度，需要找出变异系数矩阵C.Vm元素中的最大值，即：
步骤S243、定义标注置信度记为CL，置信度的计算公式为：
通过寻找确定了在标注集m中标注离散程度的最大值，即标注不可靠的最大概率；然后在此基础上求得标准标注的最低可靠概率，作为其最终的置信度。
作为一种优选的技术方案，步骤S3中具体包括以下步骤：
步骤S31、定义数量特征值用于统计特征向量中三个元素数值之和，记为tsi，取值范围ai，数量特征值代表了特征ti在舰船3个区域内出现的总次数；原特征矩阵中所有数量特征组成的集合为数量特征集，而数量特征集组成的集合为数量样本集，记为：
Ts＝{tsi|i∈(1，2，……，10)}
Ds＝{Tsn|n∈(1,2,......，N)}
其中，N为数据集D样本数量；
步骤S32、定义位置特征值用于表示特征向量中三个元素出现0值的位置，记为tpi，取值范围bi，原特征矩阵中所有位置特征值组成位置特征集，而位置特征集组成的集合为位置样本集，记为：
Tp＝{tpii∈(1，2，......，10)}
Dp＝{Tpn|n∈(1，2，......，N)}
其中，N为数据集D样本数量；
步骤S33、完成特征降维后，首先选择根节点的分类规则，将tsi和tpi分别作为数据集进行信息增益比计算，构建的数据集D有7个分类，记为 Ckk∈{1，2，......7}；Dsjk代表数据集Ds中数量特征值tsi取值为j的k类样本；数据集 D的样本数量|D|为N；|Ck|是数据集D中属于Ck类的样本数量；首先计算Ds中tsi的最大信息增益比：
经验条件熵：
g(Ds，tsi)＝H(Ds)-H(Ds|tsi)
求得信息增益比：
所有数量特征的信息增益比最大值为：
gRs max＝max{gRs(Ds，tsi)|i∈(1，2，......10)}
再对Dp中tpi的最大信息增益比进行计算：
g(Dp，tpi)＝H(Dp)-H(Dp|tpi)
所有位置特征的信息增益比最大值为：
tsx，x＝argimax(gRs(Ds，tsi))
若gRp max较大，则该节点选择的特征是：
tpy，y＝argi max(gRp(Dp，tpi))
确定了本节点使用的特征t之后，按该特征t每一个可能的取值将数据集 D分为数个非空子集，即子节点；在各子节点的基础上，以该节点的非空子集为样本集，从原特征集T排除已使用过的特征{t}得到新特征集，重复上文的信息增益比计算与比较运算选择本子节点的特征；通过递归地调用之前的计算步骤可以逐渐建立起决策树，当节点中所有样本都属于同一类或已无可分类的特征时，该节点即为叶节点，决策树训练完成，根据此算法，在结合专家经验精简去除冗余分枝的基础上，最终得到的舰船型号识别决策树。
本发明优点在于：
1、本发明的一种基于细粒度特征的光学遥感舰船型号识别众包系统一旦投入应用，可以实现以下技术效果：通过专门设计的舰船细粒度特征及相应的决策树模型，提高舰船型号识别的准确度；通过基于业务评级加权的标准标注算法和基于人员意见分布的置信度算法等质量控制手段，增强舰船型号识别的可信度；以众包工作模式结合机器学习分类技术，提高图像识别工作效率。
2、该发明通过众包分解任务、协作处理，结合了人工研判与计算机识别的差异优势，实现了可靠高效的舰船型号自动识别。
3、基于细粒度特征，在众包模式下将图像分发给不同等级的人员进行标注并汇总处理标注数据，最终结合机器学习模型实现舰船型号识别，高效精准地解决大规模光学遥感影像中舰船的型号识别任务。
4、将舰船按总长度三等分为舰艏、舰舯、舰尾三个区域，分别进行特征标注，强化细粒度特征的表现力。
5、通过对细粒度特征的数量与相对位置关系进行量化表达，可以有效识别目前世界上大多数常见的主战舰船。
6、本发明使用特征矩阵对舰船细粒度特征进行表达，在方便系统对舰船细粒度特征进行提取和计算的基础上，尽可能保证数据结构的直观简洁以便于业务人员在工作中理解掌握。
7、本发明从舰船的显著区域中选择舰船细粒度特征，并通过特征向量和特征矩阵的形式对细粒度特征进行单个描述和整体描述，实现了舰船细粒度特征的设计与形式化表达。
8、本发明设计了合适的质量控制算法，综合考虑人员业务能力，对大量质量不一的标注结果进行质量控制，进而生成标准标注，控制不同水平人员标注质量的波动对型号识别结果的影响。
9、本发明在质量控制的基础上设计并加入了置信度算法，用置信度衡量标准标注的可信程度，使最终输出结果更加可靠。
10、本发明基于众包系统对舰船细粒度特征的标注，构建了包含3类7型我国周边海域常见外国舰船的细粒度特征训练标注集。这7型舰船分别是企业级航空母舰、尼米兹级航空母舰、提康德罗加级巡洋舰、阿利伯克级驱逐舰、高波级驱逐舰、初雪级护卫舰和朝雾级护卫舰。其中，尼米兹级航空母舰和提康德罗加级巡洋舰、阿利伯克级驱逐舰为美国海军的主力型号；高波级、初雪级和朝雾级驱逐舰是日本海上自卫队驱逐舰队的主力。这些舰船地位重要、数量较多、设计经典，适合用于展示系统的性能。
11、根据业务经验可知，斜角甲板是只有大型航空母舰才拥有的设施，可以用于快速将航母类舰船从样本中独立出来；导弹垂直发射井一定程度上是现代大型驱逐舰的标配，该特征的数量能有效区分大型驱逐舰与中小型舰船、新型与旧型舰船。这些特征有助于将类型复杂的样本快速分为几个主要大类。本发明获得的决策树将斜角甲板作为根节点分类规则，使用垂直发射井作为二级节点分类规则，与专家知识相符，证明了其合理性和可靠性。
附图说明
附图1是舰船分段示意图。
附图2高波级驱逐舰特征分布示意图。
附图3舰船型号识别决策树示意图。
附图4军语表达舰船型号识别决策树。
附图5舰船型号识别众包系统功能结构图。
附图6是本发明的一种基于细粒度特征的光学遥感舰船型号识别众包系统的流程框图。
具体实施方式
下面结合附图对本发明提供的具体实施方式作详细说明。
请参照图6，图6是本发明的一种基于细粒度特征的光学遥感舰船型号识别众包系统的流程框图。一种基于细粒度特征的光学遥感舰船型号识别众包系统，所述的光学遥感舰船型号识别众包系统包括以下步骤：
步骤S1、设计舰船的细粒度特征及其形式化表达，设计舰船特征标注任务并采用众包模式进行发布；
步骤S2、通过多级质量控制得到舰船的标准标注与置信度；
步骤S3、采用决策树算法对细粒度特征标准标注进行自动分类并将其中置信度低的舰船目标交由专家审核研判，最终实现舰船型号自动识别。
为高效精准地解决大规模光学遥感影像中舰船的型号识别任务，本发明基于细粒度特征，在众包模式下将图像分发给不同等级的人员进行标注并汇总处理标注数据，最终结合机器学习模型实现舰船型号识别。本发明的核心功能由细粒度特征选择与表达、舰船标准标注求解算法和基于决策树的舰船型号识别三部分组成。
一、细粒度特征选择与表达
特征选择和表达是图像分类和目标识别的关键。本发明针对舰船型号识别的特殊性设计了舰船细粒度显著性特征，并配合标注任务所采用的细粒度标注形式设计了相应的特征表达。
目前已有的图像识别特征主要是基于目标的几何与尺寸特征。对于舰船而言，同类型舰船之间的长度、宽度差别一般在10米左右，只有不同类型的舰船之间才会出现几十米甚至更大的差距，而当今海洋监视成像卫星的分辨率最高为0.5米至1米级。显然，对几何尺寸特征提取所产生的误差将很大程度上掩盖原本“同类不同型”舰船之间的尺寸差，使得该特征失去代表性。例如，日本初雪级驱逐舰全长130米、全宽13.6米，朝雾级驱逐舰全长137米、全宽14.6米，在一景分辨率为0.8米的光学遥感影像上抓取舰船几何边缘时， 10个像素点左右的随机误差往往难以避免，随之而来的便是约±10米的尺寸误差；除了测量误差以外，影像畸变和恶劣气象都会造成舰船的几何特征在成像后发生改变。显而易见，在这样的误差下难以实现初雪级与朝雾级的型号识别。利用传统几何尺寸特征只能实现舰船类别的分类而无法可靠识别具体型号。为避免测量误差对分类的影响，以鲁棒性更强的显著性区域作为出发点更为合适。
目标的细粒度特征，正是能够明确表达目标的内涵信息、同时也具备视觉显著性的目标局部属性。舰船光学遥感影像因其自上而下的成像视角，能够直观地展现舰船上几乎所有装备设施与上层建筑布局，这些独特的设施和建筑也构成了舰船区别于水体、云雾等背景和岛礁、民船等其他海上目标的最显著特征。通过对这些细粒度特征的数量与相对位置关系进行量化表达，可以有效识别目前世界上大多数常见的主战舰船。本发明结合舰船研判专家的先验知识，选取了三类十种武器设施和上层建筑作为舰船细粒度特征，如表1所示。为强化细粒度特征的表现力，将舰船按总长度三等分为舰艏、舰舯、舰尾三个区域，分别进行特征标注，如图1所示。
表1细粒度特征表
在方便系统对舰船细粒度特征进行提取和计算的基础上，尽可能保证数据结构的直观简洁以便于业务人员在工作中理解掌握，本发明使用特征矩阵对舰船细粒度特征进行表达。特征矩阵由10个特征向量组成，分别代表10个细粒度特征；每个特征向量拥有3个元素，分别代表各个特征在舰艏、舰舯、舰尾 3个位置出现的数量。为支撑下文对特征的形式化表达，在此对相关概念作出定义。
定义1：舰船细粒度特征是指一种能够有效表现和描述舰船布局信息的局部显著性特征，记为t；本发明所列举的10种舰船细粒度特征组成的集合记为t＝{ti|i＝1，2，......10}。舰船细粒度特征与其军语名称的对应关系如表2所示。
表2细粒度特征ti名称对应表
定义2：舰船细粒度特征向量是指描述第i项舰船细粒度特征在一艘舰船上出现的数量与位置信息的向量，记为该向量是一个三维向量，向量中的三个元素位置分别代表该特征出现在舰船上的位置，即舰艏、舰舯、舰尾；三个元素值分别代表该特征在此位置出现的个数。舰船细粒度特征向量说明如表3。例如，在某舰船舰艏出现主炮两门、舰舯未出现、舰尾出现一门，主炮特征记为其细粒度特征向量表达即为：
表3细粒度特征向量说明表
定义3：舰船细粒度特征矩阵是指描述一艘舰船上出现的所有细粒度特征的数量及位置信息的矩阵，记为该矩阵是3行10列矩阵，由10个3维舰船细粒度特征向量组成。该矩阵中元素的值名为特征值thi，表示该元素所在向量代表特征的位置和数量信息，其中h∈{1，2，3}代表舰船的三个区域，i∈{1，2，......10}代表10个细粒度特征。例如，高波级驱逐舰舰艏设有主炮一门、垂直发射井一座，舰舯设有舰桥一座、烟囱两座，舰尾设有直升机库一座、直升机甲板一处，如图2所示。该舰船的完整细粒度特征用特征矩阵表达即为：
本发明从舰船的显著区域中选择舰船细粒度特征，并通过特征向量和特征矩阵的形式对细粒度特征进行单个描述和整体描述，实现了舰船细粒度特征的设计与形式化表达。这是系统实施质量控制和型号识别的基础。
二、舰船标准标注求解算法
舰船标准标注求解方法即对众包系统分发的标注任务所产生的标注数据进行聚集处理的过程。该方法由四部分组成，分别是人员评级策略、相对位置匹配算法、基于业务评级加权的标准标注算法及其置信度计算。
1、人员评级策略
人员评级策略是人员信息管理的核心部分，也是实现人员业务级别划分的根本方法，其最终目的是根据不同的业务级别赋予每一个任务参与者标注权重系数ωn。标注权重系数将参与系统针对标注结果进行的加权平均运算，决定最终的标准标注。
由于本系统涉及的高分影像数据具有高度的敏感性，并且影像研判工作需要较高的专业知识和从业经验，本发明的众包系统用户限于单位内部业务人员。内部业务人员全部经过基础业务教育和岗前培训，尽管具备专家资质的只是少数，但大部分人员的专业知识和从业经验有基本的保证。由于以业务工作为主体的事业单位往往已经具备一套成熟完善的人员职称评定体系，如果在此体系之外另设评价体系可能会对日常业务造成不良影响。因此，本发明依托单位评定的职称等级构建人员评级策略。
定义4：职称指任务参与者根据其工龄及工作表现，由工作单位予以评定的人员等级，记为Pn，其中n为任务参与者的编号。职称分为三类：初级职称(实习员)、中级职称(助理员)、高级职称(研究员)。
资历即任务参与者担任现职称至今的时间，记为Yn，其中n为任务参与者的编号。资历以年为单位计算。
定义5：业务级别是指任务参与者在舰船型号识别业务流程中所处的等级，由其职称和工作资历综合决定，记为Ln，其中n为任务参与者的编号。业务级别共分4级：入职3年(含)以内的实习员为1级；入职3年以上的实习员为 2级；助理员为3级；研究员为4级。1级至3级人员负责任务标注任务，4 级人员负责审核任务。职称与业务级别的对应关系如表4所示。
表4职称与业务级别对应关系表
定义6：标注权重系数是指任务参与者的标注结果在生成标准标注中所占的相对重要程度，记为ωn，n为任务参与者的编号。1级至3级人员必须分配标注权重系数，4级人员因不参与标注任务，其对标准标注的审核意见即为最终结果，故不加入权重体系。
权重系数的计算方法：
其中，n是任务参与者编号，N是参与此次标注任务的总人数。
由于任务生成后，系统将在现有用户的基础上排除不在线人员和工作繁忙人员，从而确定本次任务的参与人员范围，故每次任务的参与人员总数都不一样。在这样的业务背景下，虽然人员级别Ln是固定的，人员的权重系数实际上是动态变化的，需要在每次任务生成时由系统计算并赋予参与本次标注任务的人员。
2、基于相对位置匹配的同船汇总算法
相对位置匹配算法用于汇总标注一次任务中不同标注人员对同一艘舰船的标注结果，也可以认为是标准标注算法前的数据预处理。本发明设计的汇总实现原理是：根据标注人员新建舰船标注项目时框选的最小外接矩形四个顶点的相对坐标位置，计算某两个项目最小外接矩形的中心点坐标；对比寻找出这两个矩形中的最小矩形的最小边，并取最小边长度的一半作为阈值；计算两个矩形几何中心点的距离并判断该距离是否在阈值以内，若小于阈值，则这两个项目属于同一标注集，若大于或等于阈值，则不属于同一标注集；以同样的方法依次对比判断本次任务中所有项目，直到所有项目都有所属标注集。为了对基于相对位置匹配的同船汇总算法进行描述，下面对涉及到的对象进行形式化描述与定义。
定义7：舰船标注项目是指在一次任务中一个标注人员对一艘舰船进行的标注工作的总和，记为Ij。其中，j是此次任务中的项目编号。
定义8：舰船标注项目范围是指新建舰船标注项目时用户在影像上选择的矩形范围，记为Sj。其中，j是此次任务中的项目编号。规定该矩形应是舰船的最小外接矩形。
定义9：相对位置阈值是指判断两个项目是否属于同一个标注集的距离标准，记为其中ji和j2分别为进行判断的两个项目的项目编号。
假设任务中项目Ij的范围四角坐标为(xj，yj)，(xj′，yj′)，(xj″，yj″)， (xj″′，yj″′)，该任务中共有J个项目。首先计算判断I1和I2的相对位置关系，相对位置关系由矩形中心点确定。矩形中心点的坐标计算公式为：
算法从任务中最初的两个项目I1和I2开始。在得到O1和O2的坐标后，计算中心点之间直线距离：
由于项目的范围是舰船轮廓的最小外接矩形，正常情况下舰船最小外接矩形的中心点不会游离于所标注舰船的轮廓之外，并且通常情况下舰船的长度远远大于宽度。因此，相对位置的阈值取两艘舰船中最小舰船宽度的一半，即从舰船几何中心点到舰船侧舷边缘的距离，是较为合理的选择。
I1和I2两个项目中最小外接矩形中最小宽度的求解方法为：
I1和I2的相对位置阈值计算方法为：
然后，判断I1和I2是否属于同一个标注集G1：
通过上述计算，实现了对最初两个项目的相对位置匹配计算。接下来以I1为基准遍历剩余所有项目，确定属于G1的项目；本次遍历结束后，以I2为基准展开同样的遍历计算，确定属于G2的项目；此后依次判断Ij是否已有所属标注集，若有则判断下一个项目，若无则以Ij为基准进行相对位置匹配遍历。当循环计算全部完成时，即相对位置匹配算法已使此次任务包含的所有项目都关联于各自的标注集。
3、基于业务评级加权的标准标注算法
通用众包系统面向的用户群是大量水平参差不齐的人员，尽管本发明的众包系统应用范围是业务水平有基本保证的内部业务人员，但由于舰船型号的高度敏感性对识别精准度要求极高，为控制不同水平人员标注质量的波动对型号识别结果的影响，本发明设计了合适的质量控制算法，综合考虑人员业务能力，对大量质量不一的标注结果进行质量控制，进而生成标准标注。
基于众包的图像标注领域常用的质量控制算法有多数投票算法和最大期望算法。多数投票算法最为经典，其算法原理是假设所有任务参与者都具有相同的能力水平，在所有的标注结果中计算同类标注出现的次数，出现次数最多的标注即为标准标注。
将同一个舰船的标注集记为G，该标注集内共包含不同的标注结果J个。在标注集G中，将标注人员进行相同特征标注结果的次数记为Onj∈{0，1}。其中 n为标注人员编号，j标注结果种类编号。标注人员有N名，标注结果有J种。则每种标注结果出现次数为：
则出现次数最多的标注结果种类是：
R＝argjmax(Sj) (9)
由上式可知，R即为标准标注。多数投票的优势在于算法简单直观，便于迅速开展业务运行，在人员素质基本一致的情况下较为有效。
最大期望算法是目前应用极为广泛的冗余标注质量控制算法，其原理是通过混淆矩阵表达标注人员的错误率并用其与概率估计的标准标注相互推导，不断迭代，通过收敛求得最终的标准标注。最大期望的算法较为复杂，但总体上可以分为两大步骤。
E步骤，即期望估计，通过概率估计算出初始标准标注θ0，i、j均为标签编号。初步估计算法常采用多数投票。通过初始标准标注和人员标注结果li推导混淆矩阵π：
其中，n为标注人员编号，该矩阵代表标注人员n将估计标准标注为i的对象错标为j的概率。
M步骤，即最大化，通过上一步求得的混淆矩阵反过来再次推导标准标注θ:
其中，k为标签编号。
最后，通过迭代E和M步骤，计算出标注人员的混淆矩阵和标准标注标签。最大期望算法的优点是用混淆矩阵表达了不同标注人员的能力差异，使得高质量的标注能在最终的标准标注生成中占有更大话语权。
由于在人才梯队中，专家级人才人数往往仅占团队的极少数，故多数投票算法可能会造成大量低水平标注掩盖高水平标注的情况。此外，最大期望算法容易陷入局部最优，在有大量标注样本参与计算的情况下才能达到理想的效果。为避免这两种方法的弊端与业务实际发生冲突，兼顾考虑两种方法的优势，本发明采用基于业务评级加权的标准标注算法实现质量控制。在众包系统参与的工作人员较少的情况下，既突出高水平人员在标准标注中的引领作用，也能体现群众性意见，降低少数人的失误对标准标注精准性的影响。
定义10：标准标注是通过质量控制方法，从一个标注集中聚集处理得到的唯一的可靠标注标注结果矩阵，由标准值μmhi构成，记为：
其中，m为产生该标准标注的标注集编号，h∈{1，2，3}代表舰船舰艏、舰舯和舰尾3个区域，i∈{1，2，......10}代表10个细粒度特征。
由定义4可知，标注集是指针对同一艘舰船所有人员标注结果的集合，形式化表达即Gm＝{Tnm|n＝1，2，......N}；其中m为标准集编号，n为标注人员编号， Tnm代表由第n个标注人员标注的、归属于m标注集的特征矩阵。特征矩阵，即标注结果，其归属问题在相对位置匹配算法中已解决，在此不再赘述。标准标注算法的最终目的是在标注集中产生一个最可靠的标注结果。
已知ωn是标注人员n的在此次任务中的权重系数，N是参与标注人员的数量，M是标注集的数量。基于业务评级加权的标准标注求解如下：
Bm 0中元素为μ0 mhi。对Bm 0进行向下取整运算以实现标准值的四舍五入：
μmhi组成的矩阵即为标准标注矩阵Bm。标准标注的集合为：
Bg＝{Bm|m＝1，2，......M} (15)
基于业务评级加权的标准标注算法依托人员评级策略赋予不同人员的不同业务级别，在聚集处理过程中考虑到了人员能力因素，在参与人数较少的情况下也能稳定发挥性能。
4、标准标注置信度算法
所谓标准标注，其本质是在众包标注结果上经统计得出的较正确结果，事实上没有一种质量控制算法能够保证其统计结果一定是真实的。在民用众包领域，标注结果主要用作机器学习的训练样本，对标准质量要求相对一般；本发明众包系统应用背景是军事情报，错误的识别结果会造成十分严重的后果，因此对误判非常敏感。业务的特殊性使得本发明对标注质量需要更加严格的管控。为使最终输出结果更加可靠，本发明在质量控制的基础上设计并加入了置信度算法，用置信度衡量标准标注的可信程度。
本发明的置信度是对标准标注质量的评价指标，由标注集中针对同一舰船的标注离散程度计算得出。若标注集中同一舰船的标注结果分布较为集中，则说明标注人员在这艘舰船的标注上达成了基本一致，结果可信；若标注结果过于分散，则表明标注人员意见分歧很大，结果不可信。
定义11：标注离散程度即标注集内每个特征矩阵相同位置的元素的变异系数，记为c.vmhi，其中m为产生该标准标注的标注集编号，h∈{1，2，3}代表舰船 3个区域，i∈{1，2，......10}代表10个细粒度特征。标注集m的变异系数组成的矩阵记为：
本发明置信度算法是建立在标准标注基础上的，第一步是对标注集m中所有特征值求标准差。一般标准差公式为：
由于本发明采用加权方法求得标准标注，所以相应的标准差也应在权重体系下求解。加权标准差公式为：
其中，N是此次任务参与标注人员总数，即标注集m中包含项目总数；h 和i代表矩阵的行和列，j是标注集m中包含项目的编号。tmjhi表示标注集m 中项目j的特征矩阵中h行i列的特征值；和分别代表标注集m中项目j的标注者n的业务级别与权重系数。
按照该算法，通过h和i累加进行循环运算，遍历标注集m的标准标注矩阵Bm中所有标准值μmhi后，可以求得30个加权标准差σmhi，组成标准差矩阵为：
得到标注集m全部的加权标准差后，再通过其计算变异系数，即标注的离散程度：
该变异系数是一个百分数，代表了标注集m中各特征矩阵中相同位置特征值之间的离散程度。同理，经过循环计算求得所有变异系数后可以组成标注集 m的变异系数矩阵C.Vm。为确定该标准集中标注人员意见分歧最大的程度，需要找出变异系数矩阵C.Vm元素中的最大值，即：
定义12：标注置信度是标准标注的可信程度，用百分数表示，记为CL。置信度的计算公式为：
根据“水桶理论”，一个系统的性能瓶颈往往由其表现最差的部分决定。在此理论指导下，本发明通过寻找确定了在标注集m中标注离散程度的最大值，即标注不可靠的最大概率；然后在此基础上求得标准标注的最低可靠概率，作为其最终的置信度。
依据业务经验，想要得到准确可靠的目标研判结果往往需要80％～90％的研判人员在目标解译内容上达成一致，故初始置信度阈值可以设置为85％左右。然而，最优的置信度阈值难以通过主观判断决定，需要在实际业务运行中根据识别效果、反馈意见和专家知识不断调整。
三、基于决策树的舰船型号识别
由于深度学习类的分类模型需要构建大规模样本集并训练庞大的模型参数，不便于业务部署和功能扩展；传统特征选择与提取方法则存在通用性弱、可靠性差等缺陷，不适合复杂背景遥感影像中的舰船型号识别。本发明结合专家知识设计了基于舰船布局和结构的细粒度特征，具有很强的代表性和通用性。基于本发明所选择的特征，传统分类方法如K最近邻方法存在分类效果不佳、判断过程不直观等不足，而决策树模型具备训练便捷、运算高效、分类准确、结构直观、扩展灵活等优点，故选择决策树作为本发明舰船型号识别的核心算法。
基于众包平台的特征标注以及标准标注求解算法可得到舰船型号识别的训练集，即大规模舰船的细粒度特征矩阵，通过对决策树进行训练，实现舰船型号识别决策树的构建。主流的决策树学习算法有ID3、CART、C4.5等。ID3 算法虽然最为经典，但其以信息增益作为选择节点分类规则的标准容易导致偏向取值范围更大的特征，而C4.5则避免了这一问题。此外，CART算法相较于 ID3和C4.5的多分叉结构，其在一个节点只能二分的特性使得该算法较为局限。本发明设计的舰船细粒度特征取值灵活多变，使用多分叉结构分类效率会更高，故本发明选用C4.5算法。
决策树的训练过程，其本质是选择合适的特征作为分类规则，直至实现训练数据集的分类。特征的信息增益比是选择决策树分类规则的重要依据，其数值大小代表了该特征所包含的有益信息量。根据信息论可知，在一个无序的数据集中，其熵越大，不确定性却强，分类越困难；在此情况下，信息增益比大的特征作为分类规则能有效降低熵，降低分类的不确定性。因此，在决策树的各节点上一般选择当时信息增益比最大的特征作为分类规则。下面展开介绍本发明算法的具体设计、模型的训练过程和相关概念定义。
基于本发明研发的众包系统，依托单位的业务工作人员，对舰船进行细粒度特征标注得到实验数据集D用于决策树的训练。由于本发明所设计的细粒度特征以向量和矩阵为表现形式，维度过高造成信息增益计算量大，故对特征表达进行适当的降维处理以降低计算量。
由定义1、2可知，细粒度特征向量中三个元素的行号和数值代表了该特征的位置信息与数量信息，这也正是细粒度特征的核心信息。为在保留核心信息的基础上将原特征降低维度便于计算，本发明设计了两种特征值tsi和tpi对特征向量的数量与位置信息进行表达。
定义13：数量特征值用于统计特征向量中三个元素数值之和，记为tsi，取值范围ai。数量特征值代表了特征ti在舰船3个区域内出现的总次数。原特征矩阵中所有数量特征组成的集合为数量特征集，而数量特征集组成的集合为数量样本集，记为：
Ts＝{tsi|i∈(1，2，......，10)} (22)
Ds＝{Tsn|n∈(1，2，......，N)} (23)
其中，N为数据集D样本数量。
细粒度特征向量的三个元素值可能为0，也可能非0。根据排列组合计算，三个元素中出现0的情况共有8种。数值为0的分布情况代表了该特征在舰船上的基本分布情况。
定义14：位置特征值用于表示特征向量中三个元素出现0值的位置，记为tpi，取值范围bi。原特征矩阵中所有位置特征值组成位置特征集，而位置特征集组成的集合为位置样本集，记为：
Tp＝{tpi|i∈(1，2，......，10)} (24)
Dp＝{Tpn|n∈(1，2，......，N)} (25)
其中，N为数据集D样本数量。
根据专家知识确定的ai与bi的取值范围如表5所示。
表5 ai与bi取值范围表
位置特征值tpi取值与特征向量中0值分布对应关系如表6所示。
表6位置特征值与0值分布对应表
tpi值 0值分布 tpi值 0值分布
0 (0，0，0) 4 (x，y，0)
1 (x，0，0) 5 (0，x，y)
2 (0，x，0) 6 (x，0，y)
3 (0，0，x) 7 (x，y，z)
完成特征降维后，首先选择根节点的分类规则，将tsi和tpi分别作为数据集进行信息增益比计算。本发明构建的数据集D有7个分类，记为Ck， k∈{1，2，......7}；Dsjk代表数据集Ds中数量特征值tsi取值为j的k类样本。数据集D 的样本数量|D|为N；|Ck|是数据集D中属于Ck类的样本数量。首先计算Ds中tsi的最大信息增益比。
经验熵：
经验条件熵：
g(Ds，tsi)＝H(Ds)-H(Ds|tsi)
求得信息增益比：
所有数量特征的信息增益比最大值为：
gRs max＝max{gRs(Ds，tsi)|i∈(1，2，......10)} (29)
再对Dp中tpi的最大信息增益比进行计算：
g(Dp，tpi)＝H(Dp)-H(Dp|tpi)
所有位置特征的信息增益比最大值为：
gRp max＝max{gRp(Dp，tpi)|i∈(1，2，......10)} (33)
对比gRs max和gRp max，若gRs max较大，则该节点选择的特征是：
tsx，x＝argimax(gRs(Ds，tsi)) (34)
若gRp max较大，则该节点选择的特征是：
tpy，y＝argimax(gRp(Dp，tpi)) (35)
确定了本节点使用的特征t之后，按该特征t每一个可能的取值将数据集 D分为数个非空子集，即子节点；在各子节点的基础上，以该节点的非空子集为样本集，从原特征集T排除已使用过的特征{t}得到新特征集，重复上文的信息增益比计算与比较运算选择本子节点的特征。通过递归地调用之前的计算步骤可以逐渐建立起决策树，当节点中所有样本都属于同一类或已无可分类的特征时，该节点即为叶节点，决策树训练完成。根据此算法，在结合专家经验精简去除冗余分枝的基础上，最终得到的舰船型号识别决策树如图3、图4所示。
本发明基于众包系统对舰船细粒度特征的标注，构建了包含3类7型我国周边海域常见外国舰船的细粒度特征训练标注集。这7型舰船分别是企业级航空母舰、尼米兹级航空母舰、提康德罗加级巡洋舰、阿利伯克级驱逐舰、高波级驱逐舰、初雪级护卫舰和朝雾级护卫舰。其中，尼米兹级航空母舰和提康德罗加级巡洋舰、阿利伯克级驱逐舰为美国海军的主力型号；高波级、初雪级和朝雾级驱逐舰是日本海上自卫队驱逐舰队的主力。这些舰船地位重要、数量较多、设计经典，适合用于展示系统的性能。
根据业务经验可知，斜角甲板是只有大型航空母舰才拥有的设施，可以用于快速将航母类舰船从样本中独立出来；导弹垂直发射井一定程度上是现代大型驱逐舰的标配，该特征的数量能有效区分大型驱逐舰与中小型舰船、新型与旧型舰船。这些特征有助于将类型复杂的样本快速分为几个主要大类。本发明获得的决策树将斜角甲板作为根节点分类规则，使用垂直发射井作为二级节点分类规则，与专家知识相符，证明了其合理性和可靠性。
图5是本发明的功能结构图，也描述了本发明的基本工作流程。具体步骤如下：
第一步，人员登录系统，判断是否已注册。若未注册，则填写基本个人信息后创建账户，系统按照人员评级策略评定其业务等级Ln；若已注册就直接登录账户。不同等级人员所拥有的Ln是计算权重系数ωn、标准标注和置信度的基础。该步骤流程如图6所示。
第二步，人员登录后即可开始任务处理。主要由任务选择、任务标注和任务汇总三部分组成。用户在进入任务发布列表之后可以查看目前有无任务需要完成，若没有则该流程直接结束。任务列表中的任务分为新任务和未完成任务两种，用户可以选择其中任一种进行处理。用户选择新任务后，系统将加载发布后还未经该用户标注的任务，然后进入标注作业过程；若选择未完成任务，系统将加载该用户之前标注过但未提交的任务，然后进入标注作业过程。标注作业完成后，用户可选择是否提交。若不提交，系统将保存该任务已标注的内容，留待下次用户从未完成任务中继续标注完成；若提交，则标注结果进入标注同船汇总环节。在该环节，该任务所有标注者的标注结果将面向舰船进行汇总，最终得到与影像中舰船数量相应的标注集G，例如影像中有三艘船，就应汇总得到三个标注集。
第三步，对标注集进行质量控制。质量控制流程是将经汇总后的标注集分别进行整合，结合各标注人员的权重ωn产生标准标注，并根据特征值变异系数确定标注置信度的环节。该流程主要由计算特征均值、计算特征变异系数、特征表达和置信度表达四部分组成。该流程如图5所示。系统将同船汇总后产生的标注集依次发往加权平均环节，根据人员权重ωn将标注集的特征矩阵中每一个特征值进行加权平均运算，得到特征均值。特征均值即代表了在这个特征上的标准标注值。基于特征均值，结合该项所有特征值计算得到该特征的特征变异系数。在计算环节之后，系统判断是否该标注集中所有特征值都已经过质量控制运算，若为否，则返回加权平均和特征变异系数计算环节继续遍历所有特征值；若为是，则输出由特征均值组成的新特征矩阵，即标准标注的特征表达。同时搜寻特征变异系数的最大值，换算得出该标准标注的置信度。
同船汇总算法及质量控制算法伪代码如下：
第四步，型号识别算法模块接收质量控制算法生成的一批标准标注，结合型号识别算法和人力最终判定舰船型号。主要由分类器分类和置信度判断两部分组成。
系统将标准标注输入C4.5决策树分类器之后，分类器将会根据设定好的类别输出3类7型样例舰船型号。分类完成后就进入置信度判断环节。置信度判断环节即对标准标注的置信度CL进行阈值判断。若置信度CL达到阈值，说明各标注者对于某艘舰船的标注意见较为统一，作业过程可靠，则系统可以直接输出型号识别结果；若低于阈值，表示标注者的意见分歧较大，未能达到基本一致，作业过程不可靠，则将该任务发往专家审核环节，由专家研判决定最终型号识别结果并输出。
第七步，实验验证。实验数据来源卫星包括“快鸟-2”、“世界观测”系列、“昴宿星-1”等国外常用商业光学遥感卫星及少量航空遥感，从中筛选出7类舰船共有813幅影像，其中航空母舰共117幅，尼米兹航空母舰和企业级航空母舰分别占75幅和42幅；美国阿利伯克级驱逐舰169幅，提康德罗加级巡洋舰150幅，高波级等驱逐舰139幅，朝雾级驱逐舰135幅，初雪级驱逐舰103 幅。基于实验结果，针对7类舰船构建其混淆矩阵，并依据混淆矩阵计算生产者精度，用户精度和总体精度对本发明提出方法的识别性能进行验证。由上述 7类舰船的识别精度混淆矩阵可计算舰船识别的总体精度为：
OA＝型号识别正确舰船/总舰船数×100％＝93.97％
现有文献中提出了基于SIFT特征及Harris角点的舰船型号识别方法，该方法是极具代表性的基于传统特征的分类方法，对4艘与本实验样例类型近似的军舰的识别精度达91.92％。相比该方法，本发明在将标注人员失误包含在内的情况下，舰船型号识别精度比之高出2.05％。
本发明的一种基于细粒度特征的光学遥感舰船型号识别众包系统一旦投入应用，可以实现以下技术效果：通过专门设计的舰船细粒度特征及相应的决策树模型，提高舰船型号识别的准确度；通过基于业务评级加权的标准标注算法和基于人员意见分布的置信度算法等质量控制手段，增强舰船型号识别的可信度；以众包工作模式结合机器学习分类技术，提高图像识别工作效率。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。

Claims (10)

1.一种基于细粒度特征的光学遥感舰船型号识别众包系统，所述的光学遥感舰船型号识别众包系统包括以下步骤：
步骤S1、设计舰船的细粒度特征及其形式化表达，设计舰船特征标注任务并采用众包模式进行发布；
步骤S2、通过多级质量控制得到舰船的标准标注与置信度；
步骤S3、采用决策树算法对细粒度特征标准标注进行自动分类并将其中置信度低的舰船目标交由专家审核研判，最终实现舰船型号自动识别。
2.根据权利要求1所述的基于细粒度特征的光学遥感舰船型号识别众包系统，其特征在于，步骤S1细粒度特征的设计选取了三类十种武器设施和上层建筑作为舰船细粒度特征，具体如下：
武器类，对应的特征名称为：主炮、导弹发射架、垂直发射井；
建筑类，对应的特征名称为：舰桥、烟囱、直升机库；
甲板类，直升机甲板、直通甲板、斜角甲板、滑跃甲板。
3.根据权利要求1所述的基于细粒度特征的光学遥感舰船型号识别众包系统，其特征在于，步骤S1细粒度特征的设计使用了特征矩阵对舰船细粒度特征进行表达，特征矩阵由10个特征向量组成，分别代表10个细粒度特征；每个特征向量拥有3个元素，分别代表各个特征在舰艏、舰舯、舰尾3个位置出现的数量。
4.根据权利要求1所述的基于细粒度特征的光学遥感舰船型号识别众包系统，其特征在于，步骤S1中的细粒度特征的形式化表达具体包括以下步骤：
步骤S11、定义舰船细粒度特征记为t，10种舰船细粒度特征组成的集合记为t＝{ti|i＝1，2，......10}，并将舰船细粒度特征与其军语名称的对应，其中，主炮对应i的取值为1，导弹发射架对应i的取值为2，垂直发射井对应i的取值为3，舰桥对应i的取值为4，烟囱架对应i的取值为5，直升机库对应i的取值为5，直升机甲板对应i的取值为6，直升机甲板对应i的取值为7，直通甲板对应i的取值为8，斜角甲板对应i的取值为9，滑跃甲板对应i的取值为10；
步骤S12、定义舰船细粒度特征向量记为tl＝(t1i，t2i，t3i)；
步骤S13、定义舰船细粒度特征矩阵记为该矩阵是3行10列矩阵，由10个3维舰船细粒度特征向量组成，该矩阵中元素的值名为特征值thi，表示该元素所在向量代表特征的位置和数量信息，其中h∈{1，2，3}代表舰船的三个区域，i∈{1，2，......10}代表10个细粒度特征。
5.根据权利要求1所述的基于细粒度特征的光学遥感舰船型号识别众包系统，其特征在于，步骤S2中包括以下步骤：
步骤S21、人员评级策略；
步骤S22、相对位置匹配算法；
步骤S23、基于业务评级加权的标准标注算法；
步骤S24、置信度计算。
6.根据权利要求5所述的基于细粒度特征的光学遥感舰船型号识别众包系统，其特征在于，步骤S21中具体包括以下步骤：
步骤S211、定义职称记为Pn，定义资历记为Yn，其中n为任务参与者的编号；
步骤S212、定义业务级别记为Ln，其中n为任务参与者的编号，业务级别共分4级：入职3年(含)以内的实习员为1级；入职3年以上的实习员为2级；助理员为3级；研究员为4级；1级至3级人员负责任务标注任务，4级人员负责审核任务；
步骤S213、定义标注权重系数记为ωn，n为任务参与者的编号，1级至3级人员必须分配标注权重系数，4级人员因不参与标注任务，标注权重系数的计算公式如下：
其中，n是任务参与者编号，N是参与此次标注任务的总人数。
7.根据权利要求5所述的基于细粒度特征的光学遥感舰船型号识别众包系统，其特征在于，步骤S22中包括以下步骤：
步骤S221、定义舰船标注项目记为Ij，其中，j是此次任务中的项目编号；
步骤S222、定义相对位置阈值记为其中j1和j2分别为进行判断的两个项目的项目编号；
步骤S223、对最初两个项目的相对位置匹配计算，具体如下：
假设任务中项目Ij的范围四角坐标为(xj，yj)，(xj′，yj′)，(xj″，yj″)，(xj″′，yj″′)，该任务中共有J个项目，首先计算判断I1和I2的相对位置关系，相对位置关系由矩形中心点确定，矩形中心点的坐标计算公式为：
算法从任务中最初的两个项目I1和I2开始，在得到O1和O2的坐标后，计算中心点之间直线距离：
相对位置的阈值取两艘舰船中最小舰船宽度的一半，即从舰船几何中心点到舰船侧舷边缘的距离，I1和I2两个项目中最小外接矩形中最小宽度的求解方法为：
I1和I2的相对位置阈值计算方法为：
然后，判断I1和I2是否属于同一个标注集G1：
步骤S224、接下来以I1为基准遍历剩余所有项目，确定属于G1的项目；本次遍历结束后，以I2为基准展开同样的遍历计算，确定属于G2的项目；此后依次判断Ij是否已有所属标注集，若有则判断下一个项目，若无则以Ij为基准进行相对位置匹配遍历，当循环计算全部完成时，即相对位置匹配算法已使此次任务包含的所有项目都关联于各自的标注集。
8.根据权利要求5所述的基于细粒度特征的光学遥感舰船型号识别众包系统，其特征在于，步骤S23、中具体包括以下步骤：
步骤S231、定义标准标注由标准值μmhi构成，记为：
其中，m为产生该标准标注的标注集编号，h∈{1，2，3}代表舰船舰艏、舰舯和舰尾3个区域，i∈{1，2，......10}代表10个细粒度特征；
步骤S232、定义标注集的形式化表达为：Gm＝{Tnm|n＝1，2，......N}，其中m为标准集编号，n为标注人员编号，Tnm代表由第n个标注人员标注的、归属于m标注集的特征矩阵；
步骤S23、已知ωn是标注人员n的在此次任务中的权重系数，N是参与标注人员的数量，M是标注集的数量，基于业务评级加权的标准标注求解如下：
Bm 0中元素为μ0 mhi，对Bm 0进行向下取整运算以实现标准值的四舍五入：
μmhi组成的矩阵即为标准标注矩阵Bm，标准标注的集合为：
Bg＝{Bm|m＝1，2，......M}。
9.根据权利要求5所述的基于细粒度特征的光学遥感舰船型号识别众包系统，其特征在于，步骤S24、中具体包括以下步骤：
步骤S241、定义标注离散程度记为c.vmhi，其中m为产生该标准标注的标注集编号，h∈{1，2，3}代表舰船3个区域，i∈{1，2，......10}代表10个细粒度特征，标注集m的变异系数组成的矩阵记为：
步骤S242、采用加权方法求得标准标注，在权重体系下求解相应的标准差，得到加权标准差公式为：
其中，N是此次任务参与标注人员总数，即标注集m中包含项目总数；h和i代表矩阵的行和列，j是标注集m中包含项目的编号；tmjhi表示标注集m中项目j的特征矩阵中h行i列的特征值；和分别代表标注集m中项目j的标注者n的业务级别与权重系数；
步骤S243、通过h和i累加进行循环运算，遍历标注集m的标准标注矩阵Bm中所有标准值μmhi后，可以求得30个加权标准差σmhi，组成标准差矩阵为：
得到标注集m全部的加权标准差后，再通过其计算变异系数，即标注的离散程度：
同理，经过循环计算求得所有变异系数后可以组成标注集m的变异系数矩阵C.Vm，为确定该标准集中标注人员意见分歧最大的程度，需要找出变异系数矩阵C.Vm元素中的最大值，即：
步骤S243、定义标注置信度记为CL，置信度的计算公式为：
通过寻找确定了在标注集m中标注离散程度的最大值，即标注不可靠的最大概率；然后在此基础上求得标准标注的最低可靠概率，作为其最终的置信度。
10.根据权利要求1所述的基于细粒度特征的光学遥感舰船型号识别众包系统，其特征在于，步骤S3中具体包括以下步骤：
步骤S31、定义数量特征值用于统计特征向量中三个元素数值之和，记为tsi，取值范围ai，数量特征值代表了特征ti在舰船3个区域内出现的总次数；原特征矩阵中所有数量特征组成的集合为数量特征集，而数量特征集组成的集合为数量样本集，记为：
Ts＝{tsi|i∈(1，2，......，10)}
Ds＝{Tsn|n∈(1，2，......，N)}
其中，N为数据集D样本数量；
步骤S32、定义位置特征值用于表示特征向量中三个元素出现0值的位置，记为tpi，取值范围bi，原特征矩阵中所有位置特征值组成位置特征集，而位置特征集组成的集合为位置样本集，记为：
Tp＝{tpi|i∈(1，2，......，10)}
Dp＝{Tpn|n∈(1，2，......，N)}
其中，N为数据集D样本数量；
步骤S33、完成特征降维后，首先选择根节点的分类规则，将tsi和tpi分别作为数据集进行信息增益比计算，构建的数据集D有7个分类，记为Ckk∈{1，2，......7}；Dsjk代表数据集Ds中数量特征值tsi取值为j的k类样本；数据集D的样本数量|D|为N；|Ck|是数据集D中属于Ck类的样本数量；首先计算Ds中tsi的最大信息增益比：
经验条件熵：
g(Ds，tsi)＝H(Ds)-H(Ds|tsi)
求得信息增益比：
所有数量特征的信息增益比最大值为：
gRs max＝max{gRs(Ds，tsi)|i∈(1，2，......10)}
再对Dp中tpi的最大信息增益比进行计算：
g(Dp，tpi)＝H(Dp)-H(Dp|tpi)
所有位置特征的信息增益比最大值为：
tsx，x＝argimax(gRs(Ds，tsi))
若gRpmax较大，则该节点选择的特征是：
tpy，y＝argimax(gRp(Dp，tpi))
确定了本节点使用的特征t之后，按该特征t每一个可能的取值将数据集D分为数个非空子集，即子节点；在各子节点的基础上，以该节点的非空子集为样本集，从原特征集T排除已使用过的特征{t}得到新特征集，重复上文的信息增益比计算与比较运算选择本子节点的特征；通过递归地调用之前的计算步骤可以逐渐建立起决策树，当节点中所有样本都属于同一类或已无可分类的特征时，该节点即为叶节点，决策树训练完成，根据此算法，在结合专家经验精简去除冗余分枝的基础上，最终得到的舰船型号识别决策树。
CN201810166163.5A 2018-02-28 2018-02-28 一种基于细粒度特征的光学遥感舰船型号识别众包系统 Active CN108334859B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810166163.5A CN108334859B (zh) 2018-02-28 2018-02-28 一种基于细粒度特征的光学遥感舰船型号识别众包系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810166163.5A CN108334859B (zh) 2018-02-28 2018-02-28 一种基于细粒度特征的光学遥感舰船型号识别众包系统

Publications (2)

Publication Number Publication Date
CN108334859A true CN108334859A (zh) 2018-07-27
CN108334859B CN108334859B (zh) 2022-07-08

Family

ID=62930095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810166163.5A Active CN108334859B (zh) 2018-02-28 2018-02-28 一种基于细粒度特征的光学遥感舰船型号识别众包系统

Country Status (1)

Country Link
CN (1) CN108334859B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726886A (zh) * 2018-09-04 2019-05-07 中国舰船研究设计中心 一种基于任务驱动的舰船集成优化设计方法
CN109934278A (zh) * 2019-03-06 2019-06-25 宁夏医科大学 一种信息增益混合邻域粗糙集的高维度特征选择方法
CN111160478A (zh) * 2019-12-31 2020-05-15 北京理工大学重庆创新中心 一种基于深度学习的高光谱目标显著性检测方法
CN111626290A (zh) * 2019-12-31 2020-09-04 中国航天科工集团八五一一研究所 一种复杂海面环境下的红外舰船目标检测识别方法
CN112101282A (zh) * 2020-09-25 2020-12-18 北京瞰天科技有限公司 水上目标识别方法、装置及电子设备和存储介质
CN115115939A (zh) * 2022-07-28 2022-09-27 北京卫星信息工程研究所 基于特征注意力机制的遥感图像目标细粒度识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006046063B4 (de) * 2006-09-27 2010-07-22 Deutsches Zentrum für Luft- und Raumfahrt e.V. Verfahren und System zur Erfassung von Vehikelbewegungen
CN103034870A (zh) * 2012-12-14 2013-04-10 南京思创信息技术有限公司 基于特征的船舶快速识别方法
CN103164686A (zh) * 2011-12-12 2013-06-19 中国科学院对地观测与数字地球科学中心 一种根据船只的高分辨率sar 图像识别船只类型的方法
CN105373606A (zh) * 2015-11-11 2016-03-02 重庆邮电大学 一种改进c4.5决策树算法下的不平衡数据抽样方法
CN106845372A (zh) * 2016-12-31 2017-06-13 华中科技大学 一种星载遥感光学图像的船舶目标检测识别方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006046063B4 (de) * 2006-09-27 2010-07-22 Deutsches Zentrum für Luft- und Raumfahrt e.V. Verfahren und System zur Erfassung von Vehikelbewegungen
CN103164686A (zh) * 2011-12-12 2013-06-19 中国科学院对地观测与数字地球科学中心 一种根据船只的高分辨率sar 图像识别船只类型的方法
CN103034870A (zh) * 2012-12-14 2013-04-10 南京思创信息技术有限公司 基于特征的船舶快速识别方法
CN105373606A (zh) * 2015-11-11 2016-03-02 重庆邮电大学 一种改进c4.5决策树算法下的不平衡数据抽样方法
CN106845372A (zh) * 2016-12-31 2017-06-13 华中科技大学 一种星载遥感光学图像的船舶目标检测识别方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TONG SHUAI ET AL: "A Ship Target Automatic Recognition Method for Sub-meter Remote Sensing Images", 《2016 FOURTH INTERNATIONAL WORKSHOP ON EARTH OBSERVATION AND REMOTE SENSING APPLICATIONS》 *
戴卫国: "基于支持向量机改进算法的船舶类型识别研究", 《声学技术》 *
郭小强: "基于迭代策略的众包质量研究", 《中国优秀博硕士学位论文全文数据库(硕士)》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726886A (zh) * 2018-09-04 2019-05-07 中国舰船研究设计中心 一种基于任务驱动的舰船集成优化设计方法
CN109934278A (zh) * 2019-03-06 2019-06-25 宁夏医科大学 一种信息增益混合邻域粗糙集的高维度特征选择方法
CN109934278B (zh) * 2019-03-06 2023-06-27 宁夏医科大学 一种信息增益混合邻域粗糙集的高维度特征选择方法
CN111160478A (zh) * 2019-12-31 2020-05-15 北京理工大学重庆创新中心 一种基于深度学习的高光谱目标显著性检测方法
CN111626290A (zh) * 2019-12-31 2020-09-04 中国航天科工集团八五一一研究所 一种复杂海面环境下的红外舰船目标检测识别方法
CN111160478B (zh) * 2019-12-31 2022-07-26 北京理工大学重庆创新中心 一种基于深度学习的高光谱目标显著性检测方法
CN111626290B (zh) * 2019-12-31 2024-02-20 中国航天科工集团八五一一研究所 一种复杂海面环境下的红外舰船目标检测识别方法
CN112101282A (zh) * 2020-09-25 2020-12-18 北京瞰天科技有限公司 水上目标识别方法、装置及电子设备和存储介质
CN112101282B (zh) * 2020-09-25 2024-04-26 北京瞰天科技有限公司 水上目标识别方法、装置及电子设备和存储介质
CN115115939A (zh) * 2022-07-28 2022-09-27 北京卫星信息工程研究所 基于特征注意力机制的遥感图像目标细粒度识别方法
CN115115939B (zh) * 2022-07-28 2023-04-07 北京卫星信息工程研究所 基于特征注意力机制的遥感图像目标细粒度识别方法

Also Published As

Publication number Publication date
CN108334859B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN108334859A (zh) 一种基于细粒度特征的光学遥感舰船型号识别众包系统
CN108537742B (zh) 一种基于生成对抗网络的遥感图像全色锐化方法
CN100440246C (zh) 一种人脸特征点定位方法
CN105825511B (zh) 一种基于深度学习的图片背景清晰度检测方法
Gong et al. Change detection in synthetic aperture radar images based on deep neural networks
CN110132263B (zh) 一种基于表示学习的星图识别方法
CN109635875A (zh) 一种基于深度学习的端到端网口检测方法
CN109741328A (zh) 一种基于生成式对抗网络的汽车表观质量检测方法
CN108009509A (zh) 车辆目标检测方法
CN110033002A (zh) 基于多任务级联卷积神经网络的车牌检测方法
CN110084165A (zh) 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法
CN108664971A (zh) 基于2d卷积神经网络的肺结节检测方法
CN108334849A (zh) 一种基于黎曼流形的行人重识别方法
CN106408030A (zh) 基于中层语义属性和卷积神经网络的sar图像分类方法
CN101276420A (zh) 一种融合光谱信息和多点模拟空间信息的分类方法
CN111145145B (zh) 一种基于MobileNets的图像表面缺陷检测方法
CN110334584A (zh) 一种基于区域全卷积网络的手势识别方法
CN114898158A (zh) 基于多尺度注意力耦合机制的小样本交通异常图像采集方法及系统
Zhang et al. Few-shot object detection with self-adaptive global similarity and two-way foreground stimulator in remote sensing images
Ali et al. Sindhi handwritten-digits recognition using machine learning techniques
Zhang et al. C 3-GAN: Complex-Condition-Controlled Urban Traffic Estimation through Generative Adversarial Networks
Shang et al. Spectral–spatial generative adversarial network for super-resolution land cover mapping with multispectral remotely sensed imagery
Cui Research on garden landscape reconstruction based on geographic information system under the background of deep learning
CN108376397A (zh) 一种基于单幅图像估计空气质量的方法
Huang et al. Research on artificial intelligence machine learning character recognition method based on feature fusion

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant