近期，我室海星博士后李修楠以第一作者在国际期刊IEEE Geoscience and Remote Sensing Letters上发表了题为“Ship Target Search in Multisource Visible Remote Sensing Images Based on Two-Branch Deep Learning”的研究论文，论文通讯作者为我室陈鹏正高级工程师、杨劲松研究员和郑罡研究员，合作者包括国家卫星海洋应用中心安文韬研究员、我室博士联培生罗丹，硕士生陆霭莹。

船只目标搜索任务类似于计算机视觉领域的行人或车辆再识别，面临着同类船只细微差异以及卫星角度和光谱差异等挑战。针对这些问题，研究团队设计了一种双分支深度学习框架，通过提取目标船只特征和搜索区域特征，并结合关键点检测，成功实现了精准的船只匹配。实验结果表明，该方法在新数据集上的匹配准确率达到了94.37%。

本研究提出的船舶目标搜索方法采用了创新的架构设计，如图1所示，整体架构由三个主要部分组成：双分支输入层、双分支特征提取与融合层，以及检测头模块。这一结构的设计，旨在通过并行处理两个图像，单一目标船舶图像和搜索区域图像来优化特征提取和信息融合，从而实现对目标船舶的精确搜索和识别。

图1 双分支共享卷积神经网络的总体架构

图2显示了本研究提出的方法与模板匹配算法中归一化互相关匹配结果的对比。模板匹配方法只有在目标清晰、没有相似目标干扰的情况下才能实现正确匹配。而本研究提出的方法在目标与搜索区域背景差异较大，目标相对较小等复杂条件下仍然可以实现正确匹配。

图2 不同方法的匹配结果示例

本研究得到了国家重点研发计划（2022YFB3902400）和高分辨率对地观测系统项目（41-Y30F07-9001-20/22）的支持。

论文引用：Li X, Chen P*, Yang J*, et al. (2024).Ship Target Search in Multisource Visible Remote Sensing Images Based on Two-Branch Deep Learning.IEEE Geoscience and Remote Sensing Letters, vol. 21, pp. 1-5, 2024, Art no. 5003205, doi: 10.1109/LGRS.2024.3401458.