【海上千里眼】揭秘自动深度学习如何精准识别海上船舶-优快云博客

本文链接：https://blog.youkuaiyun.com/Goodbye_Old_Days/article/details/148585679

一、前言

在海洋遥感领域，海上船舶的自动检测和提取是一项至关重要的任务，它对于海上安全、交通监控以及环境监测等多个方面都有着深远的影响。然而，传统的船舶检测方法往往依赖于人工操作和经验判断，这不仅效率低下，而且容易受到主观因素的影响。

随着人工智能技术的飞速发展，AutoDL（自动深度学习）功能的出现为这一难题提供了全新的解决方案。本文将探讨如何利用GeoScene Pro 提供的新能力—AutoDL，实现对SAR图像中海上船舶提取。我们相信，这一技术的应用将极大地简化客户应用深度学习功能的各种流程，使深度学习的训练方式更加方便。

二、什么是深度学习

深度学习（DL，Deep Learning）是机器学习领域中一个新的研究方向，它通过学习样本数据的内在规律和表示层次，从而让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。目前深度学习在搜索技术、数据挖掘、机器翻译、自然语言处理、多媒体学习、推荐算法、个性化技术以及其他相关领域都取得了诸多进展。

典型的深度学习工程工作流从提出问题开始。接下来的一系列步骤包括：数据准备（或预处理）、数据增强、模型的选择和训练、超参数调整和模型评估。通常这一过程需要花费大量的时间、精力和专业知识，并需要多次迭代和试验才能实现最优模型。

三、传统深度学习的劣势

传统的深度学习首先需要使用者具有较强的专业知识作为背景，以便在模型训练时能快速选择最合适数据的模型和模型对应的超参数据集。但尽管如此，想要得到最佳模型，通常还需要花费大量时间迭代模型的训练、超参数的修改、模型精度验证这一过程，整个过程复杂且低效。

四、改进方案——自动深度学习AutoDL

为降低深度学习使用门槛、缩短模型训练时间及提高模型准确度，可借助自动深度学习使系统自动完成机器学习过程。

自动深度学习（AutoDL）旨在创建一个单一系统，以尽可能多地自动化深度学习的工作流，通过系统自动进行数据增强、选择模型、调整超参数和模型评估过程消除深度学习工作流中一些乏味和耗时的步骤。

对于非专业人士而言，可以降低使用门槛
对于专业人士而言，可以显著节省时间并提高生产力，并可以帮助缩小算法选择范围，避免主观选择带来的影响

五、AutoDL应用之海上船舶检测

在 GeoScene Pro 中加载下载好的 Sentinel-1 SAR影像，选择一小块区域作为样本标注区，并对影像中的船舶进行手工标注。

在属性表中，为标注的要素添加目标名称及类值字段。将目标名称字段设置为 ship，将类值字段设置为1。

在标注好样本后，使用“导出训练数据进行深度学习”工具将标注好的船舶面状要素转换为深度学习算法可以识别的样本数据集。待程序运行结束，在对应的文件夹中即可查看制作的深度学习目标检测训练样本的结果。

接下来就可以利用“使用 AutoDL 进行训练”工具对样本数据集进行训练，该工具的参数设置如下：

训练数据集 — 包含训练模型所需的影像片、标注和统计数据的文件夹。此数据为“导出训练数据进行深度学习”工具的输出
预训练模型（可选） — 用于微调新模型的预训练模型
输出模型 — 训练后模型的输出位置和模型名称
总时间限制（小时） — AutoDL 单个模型训练所需的总时间限制
AutoDL 模式 — 包含“基本”和“高级”两种模式。基本模式用于在不进行超参数调整的情况下训练所有所选网络，高级模式用于对性能最佳的两个模型执行超参数调整
神经网络 — 指定将用于训练模型的架构
保存已评估模型 — 指定是否将保存所有已评估模型

在设定总时间限制参数时，可以根据机器性能来设置时间。如果想使用所有的样本进行训练，但又无法确定时间限制参数，可以选择使用默认设置先运行工具，在初次运行时，工具会按照电脑的性能和样本的大小等信息计算大致时间。然后，可以考虑停止工具，修改参数值并再次执行工具。

待程序运行结束，通过点击“查看详细信息”就可以查看 AutoDL 训练结果。此外，还可以打开模型保存文件夹进行查看，在文件夹中除存放模型精度报告文件（README.html）外，还对应有最优训练模型（shipdetectionnew.pth）、最优训练模型的模型验证（model_metrics.html）等相关文件。

我们 AutoDL 训练模式选择的是高级模式，也就是对性能最佳的两个模型执行超参数调整的模式，从结果报告我们可以看出，AutoDL 对 FasterRCNN 及 RetinaNet 两个网络进行了超参数的调整。

模型训练结果表明在主干网络为 resnet50，学习率为0.0001585的前提下，FasterRCNN 在我们建立的船舶训练数据集上效果最高，初步训练精度能达到0.7034；此外，CascadeRCNN、DCN、CARAFE及 RetinaNet 网络的精度分别位于二到五位，精度也同样能达到0.6以上。通过比较，说明 FasterRCNN 网络在船舶识别上可能更具有优势。

通过AutoDL工具初步训练，得出了适合该场景的最优模型及参数，需要在该模型的基础上使用AutoDL工具继续训练，直到精度不再提高。参数如下：