近期，我室海星博士后李修楠以第一作者在期刊Journal of Oceanology and Limnology 上发表了题为“Extracting ship and heading from Sentinel-2 images using convolutional neural networks with point and vector learning”的研究论文，论文通讯作者为我室陈鹏正高级工程师和杨劲松研究员，合作者包括国家卫星海洋应用中心安文韬研究员、我室联陪博士生罗丹，郑罡研究员，硕士生陆霭莹。

在遥感图像中获取准确的船舶位置和航向在各种应用中起着重要的作用。然而，当前基于深度学习的方法主要侧重于船舶位置检测，对船舶尾迹的检测依赖于传统的非深度学习方法，这些方法在复杂的海洋环境中往往表现不佳。本研究提出了一种新颖、简单、有效的方法，称为点向量感知网络。所提出的方法利用卷积神经网络 (CNN) 进行特征提取，随后集成多尺度特征以生成高分辨率特征图。在最后阶段，使用点和向量的组合来表示船舶位置和航向。与自动识别系统 (AIS) 报告结果的对比实验表明，所提出的方法在船舶目标检测中取得了良好的性能，精确率为 96.4%，召回率为 94.3%，F1 得分为 95.2%，平均航向误差为 3.3°。所提出的模型达到了实用的推理速度（FPS>30），推理一整景Sentinel-2遥感图像的平均处理时间为11.4s。

本研究提出的点向量感知网络总体架构如图1所示，分为三个主要部分，即骨干网络模块、特征金字塔模块和目标检测头模块。骨干网络和特征金字塔模块用于提取多尺度船舶特征，目标检测头模块用于生成船头位置和尾迹。

图1 点向量网络的总体架构

从图2和图3可以看出，所提出的方法具有很好的适用性，即它可以检测有尾迹和没有尾迹的船舶，并且对不同大小和类型的船舶都有很好的检测效果。图4展示了不同方法的可视化比较结果。

图2 有尾迹船舶检测结果

图3 无尾迹船舶检测结果

图4 不同方法的可视化比较

论文引用：Li X, Chen P*, Yang J*, et al. Extracting ship and heading from Sentinel-2 images using convolutional neural networks with point and vector learning. J. Ocean. Limnol. (2024). https://doi.org/10.1007/s00343-024-3271-1