一种基于 CNN 的新方法，用于通过旋转边界框在 HR 光学遥感图像中准确检测船舶

目前，光学遥感图像中可靠和准确的船舶检测仍然具有挑战性。 即使是最先进的基于卷积神经网络 (CNN) 的方法也无法获得非常令人满意的结果。 为了更准确地定位不同方向的船舶，最近的一些方法通过旋转的边界框进行检测。 然而，这进一步增加了检测的难度，因为在算法中必须准确预测一个额外的船舶方位变量。 在本文中，通过克服当前基于 CNN 的船舶检测方法的一些常见缺陷，提出了一种新的基于 CNN 的船舶检测方法。 具体来说，为了生成旋转区域建议，当前的方法必须预先定义多向锚点，并在一个回归过程中一起预测所有未知变量，从而限制了整体预测的质量。 相比之下，基于船舶目标在遥感图像中几乎是旋转不变的观察结果，我们能够通过一种新颖的双分支回归网络独立地预测方向和其他变量，而且更有效。 接下来，提出了一种形状自适应池化方法，以克服典型的常规 ROI 池化在提取具有各种纵横比的船舶特征方面的局限性。 此外，我们建议通过空间变化的自适应池来合并多级特征。 这种称为多级自适应池的新颖方法导致紧凑的特征表示更适合同时进行船舶分类和定位。 最后，提供了对所提出的方法进行的详细消融研究，以及一些有用的见解。 实验结果