一种基于改进EfficientDet网络的海面军事目标检测与分类方法

摘要

本发明公开了一种基于改进EfficientDet网络的海面军事目标检测与分类方法，属于海洋遥感技术领域，包括获得数据增强后的数据集；主干特征网络提取前，进行一次卷积和标准化的预处理；激活函数预处理；使用主干特征网络提取3、5、7层特征，输入到下一阶段的特征融合网络；在第7层基础上进行一次膨胀卷积、标准化、最大池化得到一层新特征P8；在新特征上继续使用膨胀卷积、标准化、最大池化，同时引入残差连接，与第5层特征进行特征融合得到最后一层特征P9；构建特征融合网络，将每次特征融合后的激活函数改为“Relu”；特征融合后将原来的4层特征融合单元增加到5层；将融合后的特征输入到类别预测网络与定位框预测网络；进行精度评定。

权利要求

1.基于改进EfficientDet网络的海面军事目标检测与分类方法，其特征在于，包括：S1.获得数据增强后的数据集；

S2.主干特征网络提取前，进行一次卷积和标准化的预处理及激活函数预处理；

S3.使用主干特征网络提取3、5、7层特征，输入到下一阶段的特征融合网络，使用主干特征网络提取特征前，以残差网络的结构为基础构建残差单元，包括：S3.1.将输入特征进行一次1×1的卷积实现图像的升维；

S3.2.进行一次深度可分离卷积；

S3.3.进行全局平局池化和两次1×1的卷积；

S3.4.将S3.3输出结果与S3.2输出结果相乘形成一个残差连接；

S3.5.将S3.4输出结果进行一次1×1卷积，并与S3.1的输入特征相加进行特征融合得到输出；

S4.在第7层基础上进行一次膨胀卷积、标准化、最大池化得到一层新特征P8；

S5.在新特征上继续使用膨胀卷积、标准化、最大池化，同时引入残差连接，与第5层特征进行特征融合得到最后一层特征P9；

S6.构建特征融合网络，将每次特征融合后的激活函数改为“Relu”；

特征融合后将原来的4层特征融合单元增加到5层；

S7.将融合后的特征输入到类别预测网络与定位框预测网络；

S8.进行精度评定，完成基于改进EfficientDet网络的海面军事目标检测与分类。

2.根据权利要求1所述的基于改进EfficientDet网络的海面军事目标检测与分类方法，其特征在于，步骤S1中将不同的原始图像分别旋转不同的角度。

3.根据权利要求1所述的基于改进EfficientDet网络的海面军事目标检测与分类方法，其特征在于，步骤S3中，对所述残差单元不断重复堆叠，共形成7层，每层分别重复这些残差单元1、2、2、3、3、4、1次，图像的维度逐渐由3维上升到320维。

4.根据权利要求1所述的基于改进EfficientDet网络的海面军事目标检测与分类方法，其特征在于，步骤S6中，特征融合网络的输入从下至上共5层特征，构建特征融合网络包括：S6.1.将主干网络提取的最顶层P5特征进行上采样并与第4层特征P4进行融合得到A4，将A4继续上采样并与P3进行特征融合得到A3，同理可以得到A2；

S6.2.将A2上采样并与P1进行特征融合得到B1；

S6.3.将B1进行下采样并与A2、P2进行特征融合得到B2，将B2下采样并与A3、P3特征融合得到B3，以此类推得到B4、B5，最终输出共形成了B1‑B5共5层特征；

S6.4.上个特征融合单元的输出将作为下一个单元的输入，将这种特征融合单元重复4次构成特征融合网络。

5.根据权利要求1所述的基于改进EfficientDet网络的海面军事目标检测与分类方法，其特征在于，步骤S7中，将融合后的特征输入到类别预测网络与框预测网络得到图像中每个目标的类别和位置。

6.根据权利要求1所述的基于改进EfficientDet网络的海面军事目标检测与分类方法，其特征在于，类别预测网络首先进行3次深度可分离卷积，将图像通道数调整为88，之后进行一次滤波器深度为9×9的深度可分离卷积，两个9分别代表各个候选区域预设的预测框的个数和预测类别的个数，使用的损失函数为Focal。

7.根据权利要求1所述的基于改进EfficientDet网络的海面军事目标检测与分类方法，其特征在于，框预测网络先进行3次滤波器深度为88的深度可分离卷积，之后再进行一次深度可分离卷积将通道数调整为9×4，9代表设定的预测框个数，4代表每个预测框的4个调整参数，使用的损失函数为Smooth_L1。

说明书

一种基于改进EfficientDet网络的海面军事目标检测与分类

方法

技术领域

[0001] 本发明公开了一种基于改进EfficientDet网络的海面军事目标检测与分类方法，属于海洋遥感技术领域。

背景技术

[0002] 快速准确地进行海面军事目标的检测与分类对于维护各个国家的国防安全有十分重要的意义。由于海面条件复杂干扰较多，个别军事目标与非军事目标类间差异较小，各种类军事目标样本相对较少且类内差异较大不易区分，很少有研究利用高分辨率遥感影像进行海面军事目标的详细分类。海洋对于人类有十分重要的意义且面积广阔，选择快速准确的海面军事目标的检测与分类算法对于维护一个国家的领土主权、国防安全、了解敌方海面舰艇军事配备、军事预警并做出快速反应等都有有着十分重要的作用。但海面范围大且易受云、海浪、光线等其他因素的影响，而近岸港口又容易受到一些背景影响，选择一种大范围多场景快速准确进行海面军事目标检测与分类的方法就显得尤为重要。

发明内容

[0003] 本发明公开了一种基于改进EfficientDet网络的海面军事目标检测与分类方法，以解决现有技术中，海面军事目标详细分类精度不足，易受环境影响的问题。

[0004] 基于改进EfficientDet网络的海面军事目标检测与分类方法，包括：

[0005] S1.获得数据增强后的数据集；

[0006] S2.主干特征网络提取前，进行一次卷积和标准化的预处理及激活函数预处理；

[0007] S3.使用主干特征网络提取3、5、7层特征，输入到下一阶段的特征融合网络；

[0008] S4.在第7层基础上进行一次膨胀卷积、标准化、最大池化得到一层新特征P8；

[0009] S5.在新特征上继续使用膨胀卷积、标准化、最大池化，同时引入残差连接，与第5层特征进行特征融合得到最后一层特征P9；

[0010] S6.构建特征融合网络，将每次特征融合后的激活函数改为“Relu”；

[0011] 特征融合后将原来的4层特征融合单元增加到5层；

[0012] S7.将融合后的特征输入到类别预测网络与定位框预测网络；

[0013] S8.进行精度评定，完成基于改进EfficientDet网络的海面军事目标检测与分类。

[0014] 优选地，步骤S1中将不同的原始图像分别旋转不同的角度。

[0015] 优选地，步骤S3中，使用主干特征网络提取特征前，以残差网络的结构为基础构建残差单元，包括：

[0016] S3.1.将输入特征进行一次1×1的卷积实现图像的升维；

[0017] S3.2.进行一次深度可分离卷积；

[0018] S3.3.进行全局平局池化和两次1×1的卷积；

[0019] S3.4.将S3.3输出结果与S3.2输出结果相乘形成一个残差连接；

[0020] S3.5.将S3.4输出结果进行一次1×1卷积，并与S3.1的输入特征相加进行特征融合得到输出。

[0021] 优选地，步骤S3中，对所述残差单元不断重复堆叠，共形成7层，每层分别重复这些残差单元1、2、2、3、3、4、1次，图像的维度逐渐由3维上升到320维。

[0022] 优选地，步骤S6中，特征融合网络的输入从下至上共5层特征，构建特征融合网络包括：

[0023] S6.1.将主干网络提取的最顶层P5特征进行上采样并与第4层特征P4进行融合得到A4，将A4继续上采样并与P3进行特征融合得到A3，同理可以得到A2；

[0024] S6.2.将A2上采样并与P1进行特征融合得到B1；

[0025] S6.3.将B1进行下采样并与A2、P2进行特征融合得到B2，将B2下采样并与A3、P3特征融合得到B3，以此类推得到B4、B5，最终输出共形成了B1‑B5共5层特征；

[0026] S6.4.上个特征融合单元的输出将作为下一个单元的输入，将这种特征融合单元重复4次构成特征融合网络。

[0027] 优选地，步骤S7中，将融合后的特征输入到类别预测网络与框预测网络得到图像中每个目标的类别和位置。

[0028] 优选地，类别预测网络首先进行3次深度可分离卷积，将图像通道数调整为88，之后进行一次滤波器深度为9×9的深度可分离卷积，两个9分别代表各个候选区域预设的预测框的个数和预测类别的个数，使用的损失函数为Focal。

[0029] 优选地，框预测网络先进行3次滤波器深度为88的深度可分离卷积，之后再进行一次深度可分离卷积将通道数调整为9×4，9代表设定的预测框个数，4代表每个预测框的4个调整参数，使用的损失函数为Smooth_L1。

[0030] 与现有技术相比，本发明基于EfficientDet目标检测网络进行改进来实现高分辨率遥感影像的海面军事舰船的检测与分类，基于多分类的角度将军舰分成7个小类别，并将民用船只分成了2类，得到军舰的整体识别的回召率为0.935，准确率是0.970，与改进之前相比精度有着明显的提升。船只整体识别的回召率是0.937，准确率是0.957，与目前比较流行的几种目标检测网络比有很大优势，与此同时类似的复杂条件船只检测的研究Recall为0.926，Precision是0.953，本发明提取精度接近，能分出更多类别。

附图说明

[0031] 图1为本发明各类船体的特征图，由左开始依次为：aircraft carrier、amphibious assault、warship、landing、supply、submarine、medical、cargo、passenger；

[0032] 图2为本发明的残差单元结构图；

[0033] 图3为本发明的特征融合单元结构图；

[0034] 图4为本发明的改进EfficientDet网络结构图；

[0035] 图5为各类舰船识别效果，每类舰船为一行共有三幅，由上而下每行依次为：aircraft carrier、amphibious assault、warship、landing、supply、submarine、medical、cargo、passenger。

具体实施方式

[0036] 下面结合具体实施方式对本发明作进一步详细说明：

[0037] 实施例所使用的数据是船舶数据集，主要包含1072张谷歌地球影像，分辨率0.4米到2米不等，大多数图像的尺寸约1200x800。经过筛选，剔除一部分只含有非军事船只和无法目视判别船只种类的图片，留下用于训练的数据集为472张，用于测试的数据集为305张，这些图像中共包含各类军事和民用舰船约3000艘，其中民用船约450艘，剩余为军用舰船。数据集包含了不同时间、地点、海况、天气的多种识别背景，符合实际的分类场景。

[0038] 为了实现具体类别军事舰船检测的目的，首先要对训练数据集中不同类型的舰船进行判别，由于图像分辨能力有限，且不同国家对船只的命名规则略有不同，本发明参考世界主流的军事船只的命名规则进行总结，根据不同船只的用途、形状、尺寸、舰桥、甲板、舰炮、停机坪等特点对军用和民用船只进行重命名，将军用船只分为航母、两栖攻击舰、一般军舰、登陆舰、补给舰、潜艇(港口停靠)、医疗舰艇；将民用舰艇分为客船和货船两类，如图1所示。

[0039] 为了得到足够的训练样本，传统的数据扩充方法是将全部数据统一进行平移、旋转、添加随机噪声等，由于船舶数据本身数量较少，而军事舰艇的数量更少且分布严重不均衡，且在进行训练时是以图片而不是以每个船只个体为单位将数据输入网络，因此对不同的样本进行了不同程度的数据扩充。经过统计，训练数据集中含航母的样本图像有56张、两栖攻击舰47张、一般军舰142张、登陆舰63张、补给舰24张、潜艇14张、医疗舰艇15张、货船81张、客船30张。在实际分类中，舰艇不同的朝向对分类结果会产生较大影响，为了缩小不同种类船只包含图片数目的差异并扩充数据集，采用将原始图像旋转不同角度的方法分别将航母、两栖攻击舰、一般军舰、登陆舰、补给舰、潜艇、医疗舰艇、货船、客船数据扩充了6倍、6倍、4倍、6倍、8倍、12倍、12倍、5倍、6倍，例如扩充6倍就会将原始图片分别旋转60°、120°、180°、240°、300°，最终获得训练数据集共2689张影像。

[0040] 最后将这些准备好的训练数据集打上9类标签，每张图片采用正矩形框的形式对其所含各类型的舰船进行分别标注；相应的，测试集数据也采用这种方法进行标注以验证最后的模型精度。由于军舰尺寸一般较大，在勾画数据集时，只选择了长度约在50米以上的船只，低于这个范围的船只被排除在外当作背景。

[0041] EfficientDet是一种两阶段的端到端的新型目标检测网络，在2017COCO(common object in context)数据集上取得了51.0的mAP(mean Average Precision)的水平，2020年提出时在各种目标检测网络中保持了最先进的水平。本发明根据所使用的高分辨率卫星影像对EfficientDet网络进行了改进。通过构建残差神经网络，可以实现对深层网络的特征提取，以残差网络的结构为基础构建残差单元，如图2所示，第一步将输入特征进行一次1×1的卷积实现图像的升维，第二步进行一次深度可分离卷积，这种卷积参数更少，有利于网络加深，第三步进行全局平局池化和两次1×1的卷积，第四步将第三步输出结果与第二步输出结果相乘形成一个残差连接，最后将第四步输出结果进行一次1×1卷积并与第一步的输入特征相加进行特征融合得到输出.这便形成了一个大的残差单元，通过这样的操作可以实现深层网络的特征提取，而主干特征提取网络就是对这些残差单元不断重复堆叠，共形成7层，每层分别重复这些残差单元1、2、2、3、3、4、1次，同时图像的维度逐渐由3上升到320维。

[0042] 提取出有用的特征以后还需要进行信息的整合，由于各类舰船的尺寸是不固定的，所以既需要浅层网络提取的小目标特征也需要深层网络提取的大目标特征。为此构建了自上而下层层递进的特征融合网络，如图3所示，其中输入从下至上共5层特征。第一步将主干网络提取的最顶层(P5)特征进行上采样并与第4层特征(P4)进行融合得到A4，将A4继续上采样并与P3进行特征融合得到A3，同理可以得到A2。第二步将A2上采样并与P1进行特征融合得到B1。第三步将B1进行下采样并与A2、P2进行特征融合得到B2，将B2下采样并与A3、P3特征融合得到B3，以此类推得到B4、B5。最终输出共形成了B1‑B5共5层特征。通过这样的操作就形成了一个特征融合单元，如图3。上个特征融合单元的输出将作为下一个单元的输入，将这种特征融合单元重复4次就构成了特征融合网络。

[0043] 将融合后的特征输入到类别预测网络与框预测网络就可以得到图像中每个目标的类别和位置，其中类别预测网络首先进行3次深度可分离卷积将图像通道数调整为88，之后进行一次滤波器深度为9×9的深度可分离卷积，两个9的含义分别代表各个候选区域预设的预测框的个数和预测类别的个数，这里使用的损失函数为Focal(见公式1，α、γ代表调节参数，为常数，y′是输出的预测概率值)。而框预测网络也要先进行3次滤波器深度为88的深度可分离卷积，之后再进行一次深度可分离卷积将通道数调整为9×4，9同样代表设定好的预测框个数，4代表每个预测框的4个调整参数，在此将Smooth_L1设为损失函数(见公式2，x为真实值和预测值的差值)。

[0044]

[0045]

[0046] 为了提高信息提取的精度和效率，对原始EfficientDet网络进行了改进，如图4所示，包括替换激活函数和改变特征融合的方法。为了提取到更多语义信息，一般需要不断加深网络的层数，在进行主干特征网络提取之前需要进行一次卷积加标准化与激活函数的预处理，原始EfficientDet网络使用“Swish”作为激活函数(见公式3，其中β为常数或可训练参数，x为输入)，“Swish”激活函数计算开销较大，为了更好的加深网络提取深层特征，在此选用了计算量相对较小的“Relu”激活函数(见公式4，x为输入)，“Relu”激活函数有更小的计算量和更高效的计算速度，没有了指数函数的影响大大简化了计算过程，同时这种线性激活函数将原始复杂的特征转化为了更稀疏的特征，更有利于后续特征的划分，实际的表现效果也更好。

[0047]

[0048] 原始网络直接使用主干特征提取网络的3‑7层特征进行特征融合，由于各类船只尺寸变化较大且遥感影像分辨率较高，提取到的特征区分不是明显，不利于具体各类别的舰船的区分。特别是对于尺寸较大的图像深层特征明显提取不足，于是跳跃的提取了3、5、7层特征输入到下一阶段的特征融合网络，避免信息的重用的同时使提取到的特征更加离散化，更有利于各尺寸舰船的区分，并适当调整了各层特征图的尺寸，同时在第7层的基础上进行了一次膨胀卷积加标准化与最大池化得到了一层新的特征P8，使用膨胀卷积是为了避免深层网络的特征消失并提高特征图的分辨率，并在这个新的特征上继续使用膨胀卷积，但是此时浅层特征随着卷积层的加深变得十分有限，不利于小尺寸船只提取，所以此时引入了残差连接，与第5层特征进行了特征融合得到了最后一层特征P9。

[0049] 特征融合网络中特征融合单元的增加会带来精度的提升，但是特征融合会产生大量参数，且不同特征层在融合时需要计算各自的权重以提升精度，直接增加一个特征融合单元会造成内存溢出，在此将每次特征融合后的激活函数改为“Relu”，将原来的4层特征融合单元增加到了5层。将这些融合后的特征输入到最后的类别预测与定位框预测网络就得到了最后的预测结果，最终网络结构如图4，最左侧标注为特征图尺寸与维度的变化。

[0050] 为了体现舰船识别的完整率与虚警率，以回召率和准确率作为精度评价标准，回召率越高，被正确识别出的舰船越多，准确率越高模型识别出的舰船是真实舰船的几率越高，其计算公式如公式(5)、(6)。在统计个数时，舰船面积的90％以上正确识别出来就认为是一个正样本(TP)，而未识别出来就是错误的负样本(FN)，被本身不是舰船却识别成了舰船就是错误的正样本(FP)。

[0051]

[0052] 模型训练完毕后将测试数据导入训练好的模型中得到模型的预测值，将这些预测值与测试数据的标签进行对比统计得出表1，并最终计算出各个舰船类别的回召率和准确率如表2，从中可以看出本发明提出的识别方法总体精度较高，经过计算，模型识别出军舰总体的回召率为0.935，准确率为0.970，各类舰船具体的识别效果如图5，可以发现在各种复杂场景与多目标场景中，本发明提出的方法对各类舰船都有很高的识别精度。从表2可以看出受到近岸港口和岸边堆积的货物的影响，两栖攻击舰、客船准确率偏低，表1可以看到补给舰由于与货船和登陆船特征相似且本身样本较少，容易错分成其他类别。但是模型总体上还是保持了一个相当高的准确度。

[0053] 表1各类舰船识别统计表

[0054]No. 1 2 3 4 5 6 7 8 9 other
1 39 1 0 0 0 0 0 0 0 0
2 0 40 0 1 0 0 1 0 0 2
3 0 1 344 3 0 0 0 1 0 1
4 0 0 0 73 0 0 3 0 0 1
5 0 0 0 0 50 0 0 0 0 3
6 0 0 0 0 0 10 0 0 0 0
7 0 0 0 1 0 0 37 0 0 0
8 1 0 0 0 0 0 3 77 1 1
9 1 0 0 0 0 0 1 3 26 2
other 1 1 20 0 1 1 0 1 0 Null

[0055] 表1中，横轴是真实类别，纵轴是预测类别，序号1‑9分别代表aircraft carrier、amphibious、warship、landing、submarine、medical、supply、cargo、passenger。

[0056] 表2.各类舰船的识别精度

[0057]NO. 1 2 3 4 5 6 7 8 9
Recall 0.929 0.930 0.945 0.936 0.980 0.909 0.822 0.939 0.963
Precision 0.975 0.909 0.983 0.948 0.943 1.000 0.974 0.928 0.788

[0058] 分别对比了模型改进前后舰船提取的准确率和回召率，对比结果如下：

[0059] 1)将原始数据只打上军舰的标签得到新的训练数据，将这些数据输入到的网络中进行训练得到二分类模型，最终该模型军舰检测的回召率是0.973，准确率是0.896，虽然回召率很高，但是准确度相对较低，特别是很容易将本来样本数量就相对较少的货船和客船识别为军舰，且港口码头等其他背景也很容易被误识别为军舰，错分现象严重不满足实际应用的需求。为此实验中选用了多分类的方法进行具体舰船的划分而不是简单的把数据集分为军舰和非军舰，多分类的策略更容易避免较小的类间差别引起的错分，最终多分类的方法得到军舰整体的回召率是0.935，精确度是0.970，错分问题得到了很大程度的改善。

[0060] 2)传统的数据扩充方法是将不同识别目标的数据集进行统一倍数的扩充，按照传统方法，将全部类别的舰船通过旋转进行6倍数据扩充后输入网络进行模型训练，最终得到各类舰船识别的准确率和回召率如表3。然而发现对于样本较少且不易区分的类别，识别效果较差,如补给舰的回召率低至0.244，大部分都被识别成了样本数量较多的一般军舰和登陆舰；潜艇的回召率为0.725，一部分也被识别成了一般军舰。所以，改进了数据扩充方法，根据不同类别的舰船进行了不同程度的数据扩充，改进后的识别精度见表2，补给舰和潜艇的回召率分别上升至0.822与0.980。

[0061] 表3传统数据扩充方法舰船识别精度

[0062] NO. 1 2 3 4 5 6 7 8 9Recall 0.929 0.884 0.962 0.885 0.725 0.818 0.244 0.841 0.926
Precision 0.886 0.792 0.931 0.802 0.925 0.750 1.000 0.841 0.735

[0063] 3)EfficientDet原始的激活函数是“Swish”，在此部分采用了“Relu”激活函数进行替换。在其他条件相同的情况下对比了两种函数的识别效果，前者对于军舰整体回召率是0.926，准确率是0.938，而使用“Relu”激活函数得到的整体回召率为0.935，准确率为0.970。具体各种舰船的识别效果如表4(Swish)和表2(Relu)，通过对比看到改用“Relu”激活函数后整体的识别效果有明显改善，绝大多船只的识别精度都有提高。

[0064] 表4使用“Swish”激活函数识别精度

[0065] NO. 1 2 3 4 5 6 7 8 9Recall 0.905 0.884 0.951 0.885 0.961 0.909 0.822 0.927 0.926
Precision 0.927 0.809 0.980 0.920 0.875 1.000 0.841 0.916 0.862

[0066] 除了原始EfficientDet网络，还与目前比较流行(popular，state of art)的几种目标检测网络进行了对比，在这其中包含了一阶目标检测网络Yolo3,SSD和二阶目标检测网络Fast R‑CNN，在选用同样的训练数据和同样的分割阈值进行模型构建，具体的对比结果如表5和表6，从中可以看出，本发明的改进方法总体上好于原始EfficientDet网络，不论在准确率还是识别的完整率都有一定优势，特别是由于网络拥有更大感受野提取深层特征，大型军舰识别精度有不小的提升，而残差连接的方法也保证了浅层特征的提取，小型船只整体识别度也较高。同时，与现今使用较为广泛的几种目标检测网络相比，的方法也有着明显的优势，总体的回召率和准确率都略高于目前流行的几种检测网络。

[0067] 表5各类方法Recall对比

[0068] Method 1 2 3 4 5 6 7 8 9 All原始 0.889 0.927 0.942 0.846 0.963 1.000 0.875 0.918 0.931 0.923
Frcnn 0.95 0.86 0.89 0.78 0.86 0.73 0.76 0.83 0.81 0.857
Yolo3 0.905 0.884 0.931 0.846 0.922 0.909 0.844 0.902 0.905 0.902
SSD 0.833 0.628 0.841 0.513 0.667 0.636 0.444 0.646 0.370 0.716
本发明 0.929 0.930 0.945 0.936 0.980 0.909 0.822 0.939 0.963 0.937

[0069] 表6各类方法Precision对比

[0070] Method 1 2 3 4 5 6 7 8 9 All原始 0.952 0.884 0.974 0.985 0.963 0.769 0.897 0.929 0.818 0.947
Frcnn 0.82 0.69 0.91 0.76 0.83 0.57 0.45 0.62 0.52 0.806
Yolo3 0.974 0.884 0.977 0.957 0.940 1.000 0.905 0.925 0.974 0.952
SSD 0.875 0.659 0.887 0.727 0.944 0.636 0.645 0.639 0.500 0.804
本发明 0.975 0.909 0.983 0.948 0.943 1.000 0.974 0.928 0.788 0.957

[0071] 本发明基于EfficientDet目标检测网络进行改进来实现高分辨率遥感影像的海面军事舰船的检测与分类，基于多分类的角度将军舰分成7个小类别，并将民用船只分成了2类，得到军舰的整体识别的回召率为0.935，准确率是0.970，与改进之前相比精度有着明显的提升。船只整体识别的回召率是0.937,准确率是0.957，与目前比较流行的几种目标检测网络比有很大优势，与此同时类似的复杂条件船只检测的研究Recall为0.926,Precision是0.953，与的提取精度接近，而能分出更多类别。具体的改进包括对原始网络结构的修改和特征层的增加，为了配合深层特征的使用引入残差连接和膨胀卷积等细节处理，改用计算量较小的“Relu”激活函数，并根据数据集的特点选用了特别设计的数据扩充方法，经过这一系列的操作，最终将新型目标检测网络EfficientDet运用到遥感影像的军事目标检测中。

[0072] 一些样本数量少且类间差距不明显的类别提取精度会受到一定程度的限制，近岸复杂场景与复杂天气也会影响模型的识别度，未来打算在损失函数方面进行改进来进一步提升模型的鲁棒性，同时使用更为高效的特征融合方法来较少模型的计算量。对于样本不足的问题，采用新型的生成式对抗网络来产生假样本进行数据集的扩充也许会更进一步提升精度。

[0073] 当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。