Ship detection in remote sensing plays an important role in civil and military fields. Owing to the complex background and uncertain direction, ship detection is full of challenge by using the commonly used object-detection methods. In this article, a new framework for detecting the arbitrary direction ships is proposed based on the improvement in the Faster region-based convolutional network (R-CNN), in which the shape of the bounding box is described by three sides, namely, vertical side, horizontal side, and short side, respectively. The inclination of the ship is obtained by calculating the arc-tangent value of the vertical side to the horizontal side. First, the better performing ResNet-101 is adopted to extract features over an entire image, which are shared by the region proposal network (RPN) and the head network. Then, the multidirection proposal regions that may contain ships are generated by the RPN. Next, the global and local features of the proposal regions are combined as the whole features of the regions by a multiregion feature-fusion (MFF) module, which can provide more detailed information of the regions. Finally, the head network uses the whole features of the proposal regions for bounding-box recognition through multitask learning, including classification, regression, and incline direction prediction (left or right). The proposed method is tested and compared with other state-of-the-art ship-detection methods on two open remote-sensing data sets and some large-scale and real images. The experimental results validate that the proposed approach has achieved better performance.

中文翻译：

---

基于多任务学习和多区域特征融合的遥感图像任意方向船舶检测

遥感船舶探测在民用和军用领域具有重要作用。由于背景复杂和方向不确定，使用常用的物体检测方法进行船舶检测充满挑战。在本文中，基于Faster region-based卷积网络（R-CNN）的改进，提出了一种检测任意方向船舶的新框架，其中边界框的形状由三个边来描述，即垂直分别为边、横边和短边。船舶的倾角是通过计算垂直边到水平边的反正切值得到的。首先，采用性能更好的 ResNet-101 来提取整个图像的特征，这些特征由区域提议网络 (RPN) 和头部网络共享。然后，可能包含船舶的多向提议区域由 RPN 生成。接下来，通过多区域特征融合（MFF）模块将提议区域的全局和局部特征组合为区域的整体特征，该模块可以提供区域的更详细信息。最后，头部网络通过多任务学习使用提议区域的全部特征进行边界框识别，包括分类、回归和倾斜方向预测（左或右）。在两个开放的遥感数据集和一些大型真实图像上对所提出的方法进行了测试并与其他最先进的船舶检测方法进行了比较。实验结果验证了所提出的方法取得了更好的性能。提议区域的全局和局部特征通过多区域特征融合（MFF）模块组合为区域的整体特征，可以提供区域的更详细信息。最后，头部网络通过多任务学习使用提议区域的全部特征进行边界框识别，包括分类、回归和倾斜方向预测（左或右）。所提出的方法在两个开放的遥感数据集和一些大型真实图像上进行了测试并与其他最先进的船舶检测方法进行了比较。实验结果验证了所提出的方法取得了更好的性能。提议区域的全局和局部特征通过多区域特征融合（MFF）模块组合为区域的整体特征，可以提供区域的更详细信息。最后，头部网络通过多任务学习使用提议区域的全部特征进行边界框识别，包括分类、回归和倾斜方向预测（左或右）。所提出的方法在两个开放的遥感数据集和一些大型真实图像上进行了测试并与其他最先进的船舶检测方法进行了比较。实验结果验证了所提出的方法取得了更好的性能。可以提供更详细的区域信息。最后，头部网络通过多任务学习使用提议区域的全部特征进行边界框识别，包括分类、回归和倾斜方向预测（左或右）。所提出的方法在两个开放的遥感数据集和一些大型真实图像上进行了测试并与其他最先进的船舶检测方法进行了比较。实验结果验证了所提出的方法取得了更好的性能。可以提供更详细的区域信息。最后，头部网络通过多任务学习使用提议区域的全部特征进行边界框识别，包括分类、回归和倾斜方向预测（左或右）。所提出的方法在两个开放的遥感数据集和一些大型真实图像上进行了测试并与其他最先进的船舶检测方法进行了比较。实验结果验证了所提出的方法取得了更好的性能。所提出的方法在两个开放的遥感数据集和一些大型真实图像上进行了测试并与其他最先进的船舶检测方法进行了比较。实验结果验证了所提出的方法取得了更好的性能。所提出的方法在两个开放的遥感数据集和一些大型真实图像上进行了测试并与其他最先进的船舶检测方法进行了比较。实验结果验证了所提出的方法取得了更好的性能。